用于属性图聚类的协同决策增强自监督

该研究面向属性图聚类，提出 Collaborative Decision-Reinforced Self-Supervision（CDRS），通过聚类任务与伪节点分类任务协作，为图节点表示学习提供自监督信号。基于摘要分析，核心贡献是根据两类任务的决策一致性逐步扩充伪标签集，而非依赖外部人工标注。 机制上，作者先引入变换模块，使现有基于变分图自编码器（VGAE）的方法能够端到端训练；随后通过多任务学习加入伪节点分类任务，将聚类与分类决策一致的节点纳入伪标签集，用于后续训练。作者还考察不同排序策略，以改善伪标签集质量。变换模块的具体形式、损失函数、伪标签更新规则和排序依据尚未验证。 作者报告，在多个数据集上的实验中，CDRS 相较所比较的先进方法取得突出表现；但摘要未给出数据集名称、划分、指标、数值及具体基线，尚不能判断优势幅度与适用条件。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，实际复现仍需核对实现、依赖与配置。 平台推测（待验证）：若将 EEG 样本或通道组织为具有节点属性和图连接的数据，决策一致性筛选机制可能用于无标签表示聚类。可复用部分是双任务协作与伪标签集更新，需改造的是 EEG 节点定义、图构建及编码器。原方法依赖属性图结构以及逐步生成的伪标签；其训练规模要求尚未验证。低信噪比、被试差异、通道变化与小数据条件可能使两个任务共同产生错误决策，导致错误伪标签累积。可在固定的跨被试 EEG 划分下，对照无伪标签、单任务伪标签与双任务一致性筛选，核查聚类指标及伪标签正确率；评估标签不参与训练。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。