GCNH：一种用于异配图表征学习的简单方法

基于摘要分析。该研究针对 GNN 在异配图上难以获得稳定性能的问题，提出 GCN for Heterophily（GCNH），以较简单的架构兼顾同配与异配场景。其核心是分别学习节点自身及其邻域的表征，再通过每层一个可学习的重要性系数平衡二者贡献，而非直接将中心节点与邻域信息混合。 作者将邻域标签分布视为图学习的重要属性，并以此讨论现有复杂架构的局限；但摘要不足以确认 GCNH 如何利用这一属性，以及是否涉及显式标签统计，需结合正文核对。具体聚合算子、损失函数、监督设置及训练协议尚未验证。 作者报告，在八个真实世界图及一组异配程度不同的合成图上，GCNH 相较 vanilla GCN 有明显改进；在八个基准中的四个上优于所比较的更复杂先进模型，其余数据集结果相当。作者还报告模型具有更少的可训练参数、更快的训练速度，并可缓解过平滑。摘要未提供数据集名称、评价指标、划分方式、具体数值及运行环境，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 通道图或功能连接图中，相连节点的任务相关特征并不相似，分离节点与邻域表征可能有助于减少不适当的信息混合；这仅是机制对应假设，不代表已证实的 EEG 或 BCI 效果。原研究依赖节点特征与图连接结构，其监督需求及数据规模尚未明确。迁移时可复用分离表征与逐层加权机制，但需重新定义 EEG 节点特征、边及预测读出；低信噪比、跨被试连接差异、通道变化和小数据均可能使邻域信息或权重估计失效。可在固定 EEG 特征、图构建和跨被试划分下，对比 vanilla GCN、GCNH 与仅节点特征基线，检验收益是否确实来自邻域处理。已有 EEG 相关工作尚未检索确认。