预训练图对比掩码自编码器是 EEG 的强效蒸馏器

基于摘要分析。本文研究如何利用大量无标签高密度 EEG，提升标注有限的低密度 EEG 分类性能，将这一问题建模为图迁移学习与知识蒸馏。作者提出 EEG-DisGCMAE，即统一的预训练图对比掩码自编码蒸馏器，连接无标签与有标签数据，以及高密度与低密度电极配置。 核心机制包括三个部分：首先，将 Graph Contrastive Pre-training 与 Graph Masked Autoencoder Pre-training 融合，通过重建对比样本、再对重建结果进行对比，结合对比式与生成式自监督学习。其次，提出 Graph Topology Distillation 损失，使基于低密度 EEG 训练的轻量学生模型向基于高密度 EEG 训练的教师模型学习，并通过对比蒸馏处理缺失电极。最后，在预训练阶段对教师与学生的 queries 和 keys 进行对比，实现联合预训练，将迁移学习与蒸馏衔接起来。摘要未提供图构建方式、掩码策略、损失公式及各项权重，相关实现细节尚未验证。 作者报告，在两个临床 EEG 数据集的四项分类任务上，以大量无标签数据和有限标注数据进行评估，方法在效率与准确率方面显著优于所比较的当代方法。摘要未列出数据集与任务名称、被试数、电极数量、具体指标数值、基线或被试内／跨被试等划分协议，因此无法量化提升，也不能据此认定其在特定 BCI 任务或跨被试场景中的有效性；实验协议、消融及统计信息尚未验证。 复现时需要核对高低密度数据的对应关系、教师与学生的预训练及下游训练流程、无标签数据与测试集的划分，以及效率比较采用的计算与硬件条件。还应检查分类收益分别来自统一自监督预训练、拓扑蒸馏还是联合预训练，并考察不同电极缺失模式与标注规模下的稳定性；这些属于待核对事项，而非对作者实验缺失的判断。