采用虚拟对抗增强的半监督图对比学习

基于摘要分析。该研究针对半监督图学习中如何有效利用无标签节点的问题，提出 SemiGraL 框架，将预测式表征学习（PRL）与标签依赖正则化（LDR）结合，以兼顾任务相关表征、泛化与对抗鲁棒性。 作者将现有方法的困难概括为：PRL 在端到端训练中可能过拟合，而无监督预训练的两阶段方式难以编码任务特定信息；LDR 中冗余或无效的数据扰动可能拖慢或误导训练。SemiGraL 首先把对比学习扩展到半监督场景，通过虚拟对抗增强，将输入节点映射到保持标签语义的表征空间；随后利用受约束扰动进行多视图一致性分类。摘要未给出扰动约束、对比样本构造、损失形式及各模块的联合优化细节，尚不能据此重建实现。 作者报告，在七个半监督节点分类基准数据集上，SemiGraL 优于多种基线，并具有较强泛化与鲁棒性。摘要未列出数据集名称、标签比例、数据划分、指标、具体增益或鲁棒性评估条件；实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或适用边界。 平台推测（待验证）：若将 EEG 通道及其连接组织为图，并具备少量节点标签与较多同图无标签节点，该框架可能为标签保持增强和一致性正则化提供参考。其原始任务是节点分类，不能直接等同于常见的 EEG 试次级分类；迁移时需明确节点语义，并可能改造图级读出及扰动约束。低信噪比、跨被试连接差异和小样本条件可能使虚拟扰动不再保持任务标签。一个可检验的小实验是在固定 EEG 图构造、标签预算及被试隔离划分下，对照监督图模型，分别加入对抗增强与一致性约束，检查收益是否稳定。已有 EEG 相关工作尚未检索确认。