CLhypformer：用于图表示学习的拓扑感知双曲超图 Transformer

基于摘要分析。该研究面向复杂图的节点分类，试图同时刻画层级几何与高阶拓扑，提出 CLhypformer，将双曲空间超边构建、拓扑感知对比学习与双曲超图 Transformer 结合。其主要研究对象是通用图表示学习，摘要未提供 EEG 或 BCI 实验。 机制上，作者认为欧氏嵌入可能扭曲层级关系，而基于欧氏邻近或随机游走构建超图可能产生结构不一致的连接。CLhypformer 根据双曲空间中的 K-nearest-neighbor 关系构建超边，通过拓扑感知判别器生成非对称结构视图，并使用去偏的三级对比目标对齐节点、超边及跨层级表示，随后由双曲超图 Transformer 传播高阶信息。摘要未给出双曲空间具体形式、判别器训练方式、去偏损失公式及计算开销。 作者报告，在多个图基准的节点分类实验中，该方法取得有竞争力或更优的分类表现，并在严重结构遮蔽下保持鲁棒性；作者还报告，消融与定性分析支持双曲拓扑构建及拓扑感知对比对齐的作用。具体数据集、数据划分、基线、指标、遮蔽协议、消融幅度及统计信息尚未验证，不能据此量化优势。 平台推测（待验证）：若 EEG 功能连接图具有可利用的层级结构，该机制可能用于缓解连接构建噪声与高阶关系建模问题。可复用部分是双曲邻域超边构建及多层级对比对齐；需改造的是 EEG 节点特征、连接定义与时间窗口处理。该假设依赖 EEG 图确有适合双曲表示的结构，而非仅有通道间相似性；低信噪比、跨被试差异、通道布局变化和小样本可能使近邻超边不稳定。一个可证伪的小实验是在固定 EEG 数据划分、节点特征和分类器的条件下，对比欧氏与双曲近邻超边构建，并施加相同连接遮蔽，检验其是否稳定改善分类及扰动鲁棒性。已有 EEG 相关工作尚未检索确认。