Path-LLM：基于最短路径的统一图表示 LLM 学习

基于摘要分析。本文研究通用图分析中的统一节点表示学习，提出 Path-LLM，将图路径及节点文本属性转为训练文本，通过自监督 LLM 学习可用于多种下游任务的图嵌入；原研究对象并非 EEG 或 BCI。 核心机制包括：采用 long-to-short shortest path（L2SP）选择机制，覆盖不同稠密群组之间的关键连接；从节点文本属性中选择关键短语，完成路径文本化；将路径中的下一节点／边生成与因果语言建模中的下一 token 生成对齐，最终提取统一图嵌入。作者还报告进行了路径选择策略分析与算法复杂度分析，但摘要未给出具体损失、LLM 配置及嵌入提取方式。 作者报告，在大规模图基准的 node classification、edge validation 和 NP-hard 的 keyword search 任务上，Path-LLM 优于 WalkLM、GraphGPT、OFA 与 GraphTranslator。作者报告，相比 WalkLM，在百万级规模图上所需训练路径减少超过 90%，运行速度最高达到 35 倍；摘要未提供对应数据集、划分、硬件、计时范围及各任务分项结果，因此这些数字不能外推至其他图结构或训练条件。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制主要是用少量路径组织图结构上下文，假设可用于 EEG 功能连接图的结构表示学习。但原方法依赖节点文本属性与足够的图训练数据；EEG 通道通常缺乏丰富自然语言属性，需改造节点描述、连接构建和路径文本化。低信噪比、连接估计波动、跨被试及通道配置差异可能使最短路径不稳定，小数据也可能限制 LLM 训练收益。可先在固定 EEG 图构建与跨被试划分下，以相同路径预算比较 L2SP 与随机游走，检验下游分类表现及计算成本；这只是可证伪的迁移假设，已有 EEG 相关工作尚未检索确认。