面向节点分类的属性图表示学习

基于摘要分析。本文研究同时包含图结构与节点属性的属性图表示学习，提出 Enhanced Property Graph Embedding（EPGE），通过潜在邻域与系统化邻居采样改善节点表示，主要任务是节点分类，并非 EEG 或 BCI 解码。 作者将研究动机概括为两类限制：DeepWalk、Node2vec 等随机游走方法主要利用图结构；以 GraphSAGE 为例的邻居聚合方法虽然使用节点属性，但作者认为其邻域处理难以区分不同邻居，并受到局部连接关系的限制。EPGE 试图捕捉给定结构中隐含的节点关系，并选择更有用的邻居参与表示学习。上述局限属于作者对相关方法的论述，不宜据此推广为所有 GNN 的共同缺陷。潜在邻域的具体定义、采样规则、属性与结构的融合方式、训练目标及计算成本尚未验证。 作者报告，在五个公开图数据集的节点分类实验中，EPGE 优于所比较的先进基线，并提出新的定量指标衡量采样邻域的效用。摘要未给出数据集名称、数据划分、基线配置、指标数值或收益幅度；实验协议、消融及统计信息尚未验证，因此不能判断优势来自潜在关系建模、采样策略还是其他设置。 平台推测（待验证）：若 EEG 任务已构建具有节点属性的通道图，潜在邻域与邻居选择可能用于检验固定局部连接是否遗漏有用关系。但这是迁移假设，原论文的节点分类效果不等于 EEG 解码效果。可考虑复用邻域构造与采样思想，而图定义、节点属性及任务输出需适配；低信噪比、跨被试差异、通道变化和小数据可能使潜在关系不稳定。一个小规模可证伪实验是在固定 EEG 划分与同一骨干下，仅比较原始邻域和潜在邻域采样，观察解码指标及采样稳定性是否改善。该实验需取得全文并确认机制后再设计；已有 EEG 相关工作尚未检索确认。