遗传进化图神经网络：改进图表示学习的一种范式

基于摘要分析。本文研究消息传递图神经网络在反复传播后出现的节点表示过平滑问题，提出 genetic-evolutionary graph neural networks，将各层视为演化过程，通过借鉴遗传算法的交叉与变异操作维持嵌入多样性，以改善图表示。 核心机制方面，作者将过平滑归因于生成嵌入的多样性不足，并尝试在嵌入生成过程中直接增强多样性，而非仅在输出端处理表示趋同。摘要未说明交叉对象、变异方式、操作位置、训练目标及推理开销，这些实现细节尚未验证。作者认为该框架因借鉴遗传算法维持种群多样性的机制而具有可解释性；这一类比是否对应可量化的表示行为，仍需正文证据支持。 作者报告在六个基准数据集、不同任务上进行了验证，性能优于现有图神经网络，并在这些数据集上达到新的领先结果。摘要未列出数据集名称、任务、划分、对照方法或具体指标，因此不能据此判断提升幅度与适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区构成图，该机制可能用于检验多层消息传递是否抹平任务相关的空间差异；这并非本文已验证的 EEG 或 BCI 贡献。可复用的是维持节点嵌入多样性的思路，需改造的是 EEG 图构建、时序表示与任务输出模块。低信噪比下，变异可能放大噪声，过度保留通道差异也可能妨碍有效信息融合，跨被试差异与小数据条件会进一步增加不确定性。一个可证伪的小实验是在固定 EEG 数据划分、图结构与骨干的条件下，对比原模型和加入演化操作的模型，同时观察任务指标与随深度变化的嵌入相似度，以检验多样性增加是否伴随性能改善。已有 EEG 相关工作尚未检索确认。