FTD-GNO：通过核的函数张量分解实现内存高效的图神经算子

基于摘要分析。该研究针对 Graph Neural Operators（GNOs）在学习偏微分方程（PDEs）解算子时，高分辨率或大邻域下核计算与聚合开销较大的问题，提出 Functional Tensor Decomposition Graph Neural Operator（FTD-GNO），将高维连续积分核分解为低维、按模组织的函数，以降低内存需求。 核心机制是以 CP、Tensor-Train 和 Tucker 等经典张量分解形式参数化积分核，通过代数重构实现积分算子计算，避免显式构造完整的逐边核张量。与用整体神经网络参数化核的 GNO 相比，该方法改变了核的表示和计算方式，同时保留连续算子学习结构。作者报告，理论复杂度分析表明该机制可降低高维核构造涉及的参数与激活内存成本；实际收益仍需结合分解秩、维度与图邻域规模核对。 作者报告，在摘要所述实验中，相比对应的未分解图积分基线，FTD-GNO 的峰值内存更低，记录的训练时间更短；Fourier-graph 实验还显示，FTD 可提升混合算子中图积分层的效率并具有可扩展性。摘要未提供数据集、划分、硬件、具体数值或预测精度对照，不能据此判断效率收益是否伴随精度变化。实验协议、消融及统计信息尚未验证；复现还需核对分解秩选择、核重构实现、内存测量口径和代码可用性。 平台推测（待验证）：若 EEG 任务采用基于电极位置或时空坐标的连续图积分算子，因子化核可能缓解大邻域交互的内存瓶颈。可复用部分是核分解与聚合计算，需改造输入坐标、通道布局和任务监督；其原始验证问题是 PDE 解算子学习，数据结构与 EEG 不同。低信噪比、跨被试变化、通道缺失和小数据可能削弱低秩表示的有效性。一个可证伪的小实验是在固定 EEG 数据划分和图结构下，对比未分解核与不同分解秩的核，同时记录任务指标、峰值内存及训练时间，检验是否存在稳定的精度—内存折中。已有 EEG 相关工作尚未检索确认。