用于分布外图学习的互补监督与自监督表征

基于摘要分析。研究针对图神经网络（GNN）在时间与跨域分布偏移下的分布外（OOD）节点分类问题，探讨自监督学习（SSL）表征能否为监督表征提供互补信息，并提出分别在训练阶段和推理阶段利用这种互补性的两个框架。 Co-Train 联合学习监督与 SSL 表征，并在训练期间自适应整合二者；Dual-Space Retrieval 在两个表征空间中进行非参数预测，再于推理时通过置信度感知融合合并预测。两类编码器分别参数化，无须使用相同 GNN 架构。摘要未提供具体损失、整合规则、检索方式或置信度计算方法，不能据此推定实现细节。 作者报告，在覆盖时间与跨域分布偏移的四个图基准上，使用多个 GNN 骨干及 DGI、GRACE 两种 SSL 目标进行评估，Co-Train 持续优于较强的监督 OOD 基线，Dual-Space Retrieval 则作为灵活的非参数替代方案取得有竞争力的表现。作者还报告，表征分析与消融支持两类表征具有互补信息。摘要未列出基准名称、划分、指标或具体增益；实验协议、消融及统计信息尚未验证，复现所需超参数与实现条件也尚未验证。 平台推测（待验证）：若 EEG 被建模为通道或脑区节点构成的图，监督任务表征与 SSL 表征融合可能有助于应对跨被试或跨会话偏移。但原研究任务是节点分类，不能直接视为 EEG 试次分类的验证。可复用部分是独立编码器与双空间融合思路；需改造图构建、图级读出、SSL 目标及检索单元，并核对源方法对标签、图结构和样本规模的依赖。低信噪比、通道差异与小样本可能使 SSL 学到非任务因素，或使置信度融合失准。一个可检验的小实验是在固定跨被试划分、训练数据与骨干的条件下，对照纯监督、纯 SSL 表征及双表征融合，检验增益是否稳定。已有 EEG 相关工作尚未检索确认。