H$^2$CL：面向鲁棒表征学习的异质性感知超图对比学习

基于摘要分析。该研究针对通用超图表征学习中“同一超边内节点语义同质”的假设失效问题，提出 H$^2$CL，通过异质性感知的视图生成和消息传播抑制特征污染与假阳性对比对齐，原研究对象并非 EEG 或 BCI。 方法首先从输入特征估计节点—超边交互的异质性，再由 Heterogeneity-Aware View Generator 选择性掩码高异质性的节点—超边关联，构造更干净的对比视图。Heterogeneity-Aware Hypergraph Encoder 则在节点到超边、超边到节点两个聚合方向动态重加权信息传播。其关键思路是同时干预数据增强和编码过程，而非只在其中一个环节处理噪声。作者还给出理论分析，将编码器对应到最小化异质性加权 Dirichlet 能量的一步坐标下降；具体异质性估计公式、权重约束和理论适用条件尚未验证。 作者报告，在标准基准及更大规模超图上的实验中，H$^2$CL 相比近期基线具有竞争力或更优的表现，在结构噪声下保持鲁棒性，且学习到的重加权模式能够降低消息传播中的异质性。摘要未提供数据集名称、划分方式、指标及具体数值，实验协议、消融及统计信息尚未验证。摘要提供了代码链接，但代码完整性与复现条件尚未核验。 平台推测（待验证）：若将 EEG 通道或时空片段构成节点、以多节点关系构成超边，该机制可能用于缓解超边中混入伪迹或无关活动造成的信息污染。可复用部分是关联掩码与双向重加权，需改造的是 EEG 特征、超图构建方式及异质性估计。其依赖输入特征能区分有效差异与噪声；低信噪比、跨被试分布变化、通道差异及小数据条件下，可能误删有判别力的异质活动。一个可证伪的小实验是在固定划分与编码容量的 EEG 分类任务中，对比普通超图对比学习、仅视图掩码、仅重加权及完整机制，并在受控关联扰动下检验性能变化。已有 EEG 相关工作尚未检索确认。