본 논문은 제한된 라벨링된 저밀도 EEG 데이터 환경에서 성능을 향상시키기 위해 방대한 양의 비라벨링된 고밀도 EEG 데이터를 효과적으로 활용하는 문제를 다룹니다. 이를 그래프 전이 학습 및 지식 증류 문제로 공식화하여, Unified Pre-trained Graph Contrastive Masked Autoencoder Distiller (EEG-DisGCMAE)라는 새로운 모델을 제안합니다. EEG-DisGCMAE는 그래프 대조 학습 전훈련과 그래프 마스크드 오토인코더 전훈련을 통합한 통합 그래프 자기지도 학습 전훈련 패러다임을 도입합니다. 또한, 저밀도 데이터로 학습된 경량 학생 모델이 고밀도 데이터로 학습된 교사 모델로부터 전훈련 및 미세 조정 중에 학습할 수 있도록 그래프 토폴로지 증류 손실 함수를 제안합니다. 이 방법은 대조 증류를 통해 누락된 전극을 효과적으로 처리합니다. 풍부한 데이터를 가진 두 개의 임상 EEG 데이터 세트를 사용하여 네 가지 분류 작업에서 EEG-DisGCMAE의 효과를 검증하였으며, 소스 코드는 GitHub에서 공개됩니다.
