理解图表示学习中的类别偏差放大

基于摘要分析。本文研究 GNN 编码器如何放大不同类别之间的性能差异，将这一现象称为类别偏差放大，并提出无监督图对比学习模型 Random Graph Coarsening Contrastive Learning（RGCCL）加以缓解。研究对象是通用图表示学习，不是 EEG 或 BCI 解码。 机制方面，作者从谱视角分析类别间结构差异，认为不同类别节点的结构差异会导致节点嵌入具有不同的局部收敛速度，进而放大下游分类结果中的类别性能偏差。基于这一分析，RGCCL 使用随机图粗化作为数据增强，通过粗化图与原始图之间的对比学习缓解偏差。摘要未披露粗化规则、跨图表示对齐方式及具体对比损失，这些实现条件尚未验证。 作者报告，理论分析支持随机图粗化对上述问题的有效性，且在多个数据集上的实验显示该方法在缓解类别偏差放大方面具有优势。摘要未给出数据集名称、划分协议、对照基线、偏差指标或具体数值，因而尚不能判断改善幅度、适用图结构及其与整体分类性能的权衡；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务以通道或其他实体构图，且目标类别之间存在系统性图结构差异，本文的结构偏差诊断与随机图粗化机制可能具有参考价值，但原领域有效不等于 BCI 有效。可复用的是图增强与对比学习思路，需改造构图、粗化及表示对齐方式；通道较少、低信噪比和跨被试结构不稳定时，粗化也可能丢失判别信息。一个可检验的小实验是在固定 EEG 构图和跨被试划分下，对比原图对比学习与加入随机粗化的版本，同时检查类别性能差异及 Balanced Accuracy。已有 EEG 相关工作尚未检索确认。