功能脑图的统一生成式潜在表征

该研究针对功能脑图的图论描述与谱描述通常被分开处理、难以刻画二者协变及重叠关系的问题，提出结合 graph transformer autoencoder 与 latent diffusion 的统一生成式潜在表征。基于摘要分析，尚未取得论文全文。 核心假设是：稠密、加权的功能连接图位于低维潜在几何空间中，拓扑结构与谱结构沿该空间呈渐变。方法以谱几何作为归纳偏置引导表征学习，并在潜在空间中通过扩散建模支持图生成；具体谱信息编码、损失形式、训练流程及图结构约束尚未验证。 作者报告，无监督学习得到的几何感知表征能够区分工作记忆状态并解码视觉刺激，加入神经动态信息后性能进一步提升；从扩散模型所建模的分布采样，可以生成作者称具有生物学合理性和结构依据的稠密合成图。摘要未提供信号模态、数据集、被试数、划分协议、对照基线或数值指标，因此尚不能判断跨被试泛化能力，也不能据此认定其具有 EEG 或 BCI 有效性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 功能连接表示为稠密加权图，谱几何引导的图编码与潜在生成机制可能用于表征学习或数据增强；需要改造连接估计、通道节点定义及动态信息输入。低信噪比、连接估计不稳定、跨被试差异与小样本可能使潜在空间主要编码噪声或个体差异。一个可检验的小实验是在固定 EEG 连接估计和严格跨被试划分下，对比有无谱几何归纳偏置的同类自编码器，检验图重建与下游解码是否同时受益。已有 EEG 相关工作尚未检索确认。