暨南大学融媒体中心讯 近日，暨南大学信息科学技术学院计算机科学系数据智能与脑机接口团队在人工智能国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（CCF-A，一区Top,IF=18.6）在线发表了题为“Local and High-Order Consistency Coding and Adaptation for Cross-Hypergraph Node Classification”的研究论文。暨南大学计算机科学系数据智能与脑机接口团队吴汉瑞副教授为第一作者，龙锦益教授为通讯作者，香港浸会大学讲席教授Michael K.Ng（吴国宝）和华南理工大学讲席教授陈俊龙为合作作者。这是团队近年来第三次在该期刊发表论文。

现有超图节点分类方法通常假设存在少量有标注训练节点。然而，在新形成的超图中，收集标签信息具有挑战性且成本高昂。此外，现有方法主要利用局部一致性关系（即直接邻居信息），而忽略了高阶一致性关系（即高阶邻居信息），限制了特征表示的判别性。为此，团队引入已有标注信息的源超图来辅助新形成目标超图的学习任务，实现跨超图节点分类。具体来说，所提出方法联合利用局部和高阶一致性信息学习判别性特征，并通过对抗域自适应和对比学习得到可迁移性特征。此外，团队从数学理论层面推导出了所提出跨超图滤波器的理论边界。

超图是一种描述实体高阶结构信息的有效工具，而脑机接口中EEG通道之间具有高阶关联关系。因此，可利用超图构建EEG通道的高阶结构，并利用上述工作处理跨被试的脑电信息分析问题。

该研究工作得到了国家自然科学基金（62576151,62206111,62276115）等项目的支持。

文章链接：https://ieeexplore.ieee.org/document/11478337

责编：常凯丽