TopoSRL：保持拓扑的自监督单纯复形表征学习

基于摘要分析。本文研究单纯复形的自监督表征学习，提出 TopoSRL，以捕捉高阶交互并保留表征中的拓扑信息。其主要研究对象是单纯复形数据，而非 EEG 或 BCI；作者针对既有图自监督方法侧重成对关系、难以充分捕捉与拓扑有关的长程依赖这一问题设计方法。 方法包含两个核心环节：首先，通过新的单纯复形增强技术生成两个视图；其次，使用新的单纯复形对比损失，对生成的单纯形进行对比，以保留复形中的局部与全局信息。摘要未提供增强操作、损失公式、编码器结构或拓扑保持的具体度量，因此尚不能判断其如何避免增强破坏关键拓扑结构，也不能将“保持拓扑”理解为已给出严格保证。 作者报告，在多个数据集上，TopoSRL 优于所比较的先进图自监督方法和有监督单纯神经模型。但摘要未列出数据集名称、任务、划分、评价指标和数值；实验协议、消融及统计信息尚未验证。复现时需核对单纯复形构建方式、增强强度、对比样本定义及对照方法的评估条件。 平台推测（待验证）：若将 EEG 多通道交互构建为单纯复形，该机制可能用于研究成对连接难以表达的高阶关系；可考虑复用双视图增强与对比学习框架，但需改造信号到单纯复形的构建过程，并检验增强是否保留任务相关信息。此假设依赖稳定且具有生理意义的高阶结构，低信噪比、通道差异、跨被试变异和小数据均可能使其失效。可先在固定 EEG 数据划分及相同下游分类器下，对比图自监督与单纯复形自监督表征，并检验高阶结构构建及增强的影响。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。