面向图结构数据的先进无监督表示学习

基于摘要分析。该学位论文针对图深度学习对人工标注的依赖，研究无监督图表示学习中的拓扑利用、对比学习负样本处理及跨视图相互依赖识别，提出 HTC、渐进式困难负样本掩码对比目标和 IDEAL 三项方法。主要研究对象是一般图结构数据，并非 EEG 或 BCI。 第一项工作提出完全无监督网络对齐框架 HTC，将对齐重点从低阶拓扑转向高阶拓扑一致性。作者报告，在五个数据集的网络对齐评估中，HTC 优于所比较的多种无监督和有监督方法，耗时最少或相当；摘要未提供数据集名称、对齐指标及具体数值。 第二项工作研究图对比学习中困难负样本与均匀性—容忍性困境的关系，提出带有渐进式困难负样本掩码机制的新对比目标。作者报告，理论与实证分析支持其提高局部容忍性并增强对比效果，改善嵌入分布及下游节点分类表现；负样本判定、掩码调度与具体损失形式尚未验证。 第三项工作提出 IDEAL，从信息流角度刻画跨视图相互依赖，用于跨视图互信息最大化。作者报告，在七个规模和属性不同的基准数据集上，IDEAL 优于所比较的先进自监督方法；具体数据划分、指标、提升幅度及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被构造成通道或脑区关系图，困难负样本掩码可能用于缓解对比学习中相似脑状态被错误推离的问题。可尝试复用其对比目标，但需改造 EEG 图构建、视图生成与负样本判定；低信噪比、跨被试差异、通道不一致及小数据条件可能使掩码保留噪声或削弱区分能力。一个可证伪的小实验是在固定 EEG 编码器、图构建和跨被试划分下，仅比较原对比目标与加入该掩码的版本，检验下游表现是否稳定改善。相关 EEG 工作尚未检索确认；原论文的完整实验协议、消融、统计信息及复现条件均尚未验证。