基于共识图的多视图图学习

基于摘要分析。该研究针对异质数据中多个相关图的拓扑推断问题，提出基于共识图的多视图图学习框架，联合估计各视图的图结构与共有结构，并应用于多名被试 EEG 的功能脑连接网络分析。 核心机制是将每个视图图建模为底层共识图的扰动，假设观测数据在相应图上具有平滑性，以图拉普拉斯矩阵作为学习对象。框架通过统一优化联合学习各视图图与共识图，并允许根据共识结构及扰动模型选择不同正则化函数。摘要未提供具体目标函数、正则项、求解算法或超参数设置，这些实现细节尚未验证。 与采用成对正则化约束视图相似性的既有方法相比，该框架显式估计共识结构，而不是仅约束视图之间的相似性。作者指出，既有方法多关注 Gaussian Graphical Models（GGM）的精度矩阵估计，且成对约束数量随视图数量呈二次增长；本文则直接以图拉普拉斯矩阵刻画图结构。 在模拟数据实验中，作者报告该方法的表现优于所比较的 GGM 方法，运行时间低于所比较的成对正则化方法。摘要未给出性能指标、数值、数据规模或具体基线，不能据此判断优势幅度及适用范围。作者还报告，在多名被试 EEG 记录上，该框架揭示了共有连接结构和被试间个体差异，但未提供被试人数、记录任务、通道配置、预处理流程或连接验证标准。 这项工作的直接研究对象是多视图图拓扑与 EEG 功能连接推断，而非 BCI 解码。复现时需核对平滑性与共识扰动假设在 EEG 数据中的适用性、不同被试节点及通道的对应关系，以及正则化选择对共有结构和个体差异估计的影响。实验协议、消融及统计信息尚未验证，代码可用性亦未从所给材料确认。