生物医学文献中的无监督事件图表示与相似性学习

基于摘要分析。本文研究生物医学文献中事件图的表示与相似性学习，而非 EEG 解码或 BCI 控制。作者提出 Deep Divergence Event Graph Kernels（DDEGK），以无监督、归纳式方法将事件图映射为低维向量，旨在同时保留图结构与语义相似性，使文本中提取出的生物医学关系能够用于后续机器学习任务。 机制上，DDEGK 将事件图与一小组锚点事件图进行比较，通过跨图注意力网络学习成对对齐，并使用基于 Transformer 的模型编码连续属性。方法工作在图级别；作者称其不需要任务特定标签、特征工程或预先已知的节点对应关系。这里的无监督设定针对表示学习，不应据此推断下游分类评估也不使用标签。摘要未给出具体损失函数、锚点选取方式、网络结构或归纳评估流程。 作者报告，在九个生物医学数据集上的实验中，所学表示可用于图分类、聚类和可视化，并有助于下游语义文本相似性任务；作者还报告其显著优于其他先进方法。摘要未列出数据集名称、划分协议、对照方法、指标数值及显著性检验细节，因此尚不能判断优势幅度或不同任务间的稳定性；实验协议、消融及统计信息尚未验证。 本文的直接贡献是生物医学文献事件图的表示学习，不是对生理信号或脑连接图的验证。现有材料未建立事件图语义属性、节点对齐机制与 EEG 数据之间的具体对应关系，因而不据此提出 BCI 迁移效果或复现实验建议。