层次化图对比学习

基于摘要分析。该研究面向图标签难以获取条件下的无监督图表征学习，提出 Hierarchical Graph Contrastive Learning（HIGCL），旨在弥补现有图级图对比学习主要比较整图或节点表征、未充分利用层次结构的问题。原研究对象是一般图级任务，摘要以社交网络和分子图说明层次结构的普遍性，并非 EEG 或 BCI 研究。 机制上，HIGCL 使用多层架构及两个对比目标：inner-contrasting 在同一尺度内进行对比学习，提取各层的平面结构特征；hierarchical-contrasting 在不同尺度之间进行对比学习，捕获跨层的层次特征。其方法重点是同时利用尺度内与跨尺度信息，而非只比较单一层级的表征。摘要未说明层次结构的构建方式、图增强策略、正负样本定义、损失具体形式及训练规模。 作者报告在图级任务上开展了广泛实验并展示方法有效性，但所给材料没有数据集名称、划分协议、对照基线或定量指标，因此尚不能判断收益幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本已被表示为具有合理多尺度组织的连接图，尺度内与跨尺度对比机制可能用于探索通道局部连接及较大尺度网络结构的联合表征。可复用的是两类对比目标的思路，需改造的是 EEG 图构建、尺度定义及保持信号含义的图增强；低信噪比、通道配置差异和小样本可能使层次划分不稳定，或使模型学习被试特征而非任务特征。一个可证伪的小实验是在固定 EEG 图构建与编码器、采用相同跨被试划分的条件下，对比仅尺度内目标与加入跨尺度目标的任务表现，并检查扰动层次划分后收益是否仍存在。已有 EEG 相关工作尚未检索确认。