面向高效子图表示学习的 Subgraph-To-Node 转换

基于摘要分析。本文研究大规模全局图上的子图表示学习，核心贡献是提出 Subgraph-To-Node（S2N）转换：将给定子图粗粒度地转换为新图中的节点，通过改变子图的存储与处理结构，降低传统 GNN 路径的内存和计算需求。原论文主要研究通用图表示学习，而非 EEG 或 BCI。 机制上，S2N 将学习对象从全局图中的子图重新组织为新图中的节点。作者还提出 Coarsened S2N（CoS2N），将 S2N 与图粗化方法结合，针对可用子图不足以覆盖全局图的数据稀缺场景。摘要未说明新图边的构造、节点特征聚合、训练目标和具体 GNN 配置，这些实现细节尚未验证。 作者报告，在四个真实世界基准上，经 S2N 转换微调的模型，在性能相近或更好的条件下，可处理的子图样本数量为采用传统数据结构的先进模型的 183–711 倍。该数字对应子图样本处理能力，不能直接解释为准确率提升或端到端运行时间加速倍数。基准名称、任务指标、硬件、批量设置、数据划分、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究已将通道连接组织为全局图，并将局部通道网络定义为待分类子图，S2N 的结构转换可能用于缓解重复子图计算和内存开销。可复用的是子图到节点的表示组织方式；需改造的是 EEG 节点特征、连接定义和跨被试图结构对齐。低信噪比、通道缺失及被试差异可能使粗粒度转换丢失关键连接信息，小样本下构图也可能不稳定。一个可证伪的小实验是在固定 EEG 图定义、相同跨被试划分与分类器容量下，对比原始子图 GNN 和 S2N，联合记录预测指标、峰值显存与处理吞吐量，检验是否能在不损害预测性能的前提下降低开销。已有 EEG 相关工作尚未检索确认。