通过紧凑潜在空间聚类进行半监督学习

基于摘要分析。该研究针对神经网络半监督学习中如何利用无标签样本改善特征可分性的问题，提出一种促使潜在空间形成紧凑类别簇的代价函数。其主要研究对象是通用半监督分类，而非 EEG 或 BCI。 方法在每个训练批次内，基于有标签与无标签样本的嵌入动态构建图，以捕捉特征空间中的结构，并通过标签传播估计高密度与低密度区域。随后，基于图上的 Markov chains 构造正则化目标，推动每个类别形成一个紧凑簇，同时力求在优化过程中不扰乱已有簇。具体图边权重、转移规则及损失形式尚未验证。 作者报告在三个基准上进行了评估，并与当时先进方法比较，取得有前景的结果；摘要未提供基准名称、数据划分、标签预算、指标或具体数值，因此无法判断收益幅度。作者强调，该方法结合图正则化与高效归纳式推理，不要求修改网络架构，可用于现有网络。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能用于标签有限但有无标签训练样本的 EEG 分类，复用嵌入图与正则化目标，针对 EEG 特征尺度、批次组成及类别结构调整图构建方式。该假设依赖嵌入邻域与真实类别具有一定一致性；低信噪比、跨被试差异、通道配置变化及小数据下的不可靠邻域，可能导致错误标签传播，而每类单一簇也可能压缩有意义的类内差异。一个可检验的小实验是在固定被试内划分与标签预算下，比较同一 EEG 编码器加入该正则项前后的分类表现，确保无标签训练池不包含测试数据，并检查邻域类别一致性。已有 EEG 相关工作尚未检索确认。