CoCo：低秩嵌入与一致性深度图聚类

基于摘要分析。该研究针对深度图聚类中局部消息传递难以捕获节点全局关系，以及图数据冗余和噪声削弱表征紧凑性与鲁棒性的问题，提出联合框架 CoCo，将局部与全局视图、低秩紧凑嵌入和一致性学习结合起来。 核心机制：CoCo 使用图卷积滤波器从局部和全局两个视图学习节点表征，再将其编码为低秩紧凑嵌入。作者将这一过程解释为去除冗余与噪声、揭示内在结构的途径；随后基于紧凑嵌入进行一致性学习，以促进两个视图之间的知识迁移并丰富节点语义。摘要未给出全局视图构造方式、低秩约束的实现、一致性损失形式及训练和聚类推理流程，这些均尚未验证。 结果与证据边界：作者报告 CoCo 在多个数据集上的表现优于最先进的对照方法，但摘要未列出数据集名称、划分、评价指标、具体数值或基线配置，因而无法判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证；复现还需核对图构建方式、低秩设置、优化细节和实现可用性。 平台推测（待验证）：迁移假设是，若将 EEG 通道或片段建模为节点，并提供节点特征与合理的连接图，局部／全局视图融合可能对应局部活动与跨区域关系建模，低秩嵌入可能缓解噪声和冗余。可复用的是双视图表征与紧凑嵌入思路，需改造的是 EEG 图构建、时间信息编码及聚类结果与任务的对应关系。低信噪比、被试差异、通道变化和小数据可能使图结构不稳定，低秩约束也可能抹去弱但有判别力的信号。可先在固定被试内划分及相同图构建条件下，比较完整框架与移除低秩约束、移除一致性学习的版本，检验聚类质量及噪声扰动下的稳定性；这不等于已证实的 BCI 解码收益。已有 EEG 相关工作尚未检索确认。