通过紧凑潜在空间聚类进行半监督学习

基于摘要分析。本文研究如何在神经网络半监督学习中利用无标签样本，提出一种鼓励潜在空间形成紧凑类别簇的代价函数，以促进类别分离。其主要贡献是将基于图的正则化用于训练，同时保留高效的归纳式推理，且据作者介绍无需修改网络架构。 核心机制是在每个训练批次中，以有标签和无标签样本的嵌入动态构图，捕捉特征空间中的结构，再通过标签传播估计高密度与低密度区域。作者据此设计基于图上 Markov chains 的代价函数，引导每个类别形成单个紧凑簇，并尽量避免优化过程中扰动已有簇。摘要未给出图边权、转移概率、损失公式及其与监督目标的组合方式，这些实现细节尚未验证。 作者报告在三个基准上进行了评估，并与当时的先进方法比较，结果具有潜力；但摘要未列出基准名称、标签预算、数据划分、具体指标和数值，因此无法判断收益幅度及其适用条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能用于标签有限但有无标签训练数据的 EEG 分类，复用嵌入构图、标签传播与聚类正则，需针对 EEG 编码器及批次采样进行适配。关键假设是嵌入邻域能够反映任务类别，而非被试、会话或噪声；低信噪比、通道差异、小批次及类别内部多模态结构可能破坏该假设，单类单簇约束也可能压缩有用差异。可在固定跨被试划分及相同标签预算下，对比同一编码器的纯监督训练与加入该正则的训练，仅使用训练侧无标签样本，并检查分类指标和邻域类别一致性是否同步改善。已有 EEG 相关工作尚未检索确认。