HeGCL：推进异构图级表示的自监督学习

基于摘要分析。HeGCL 面向大量无标签异构图的表示学习，旨在弥补既有方法偏重邻近关系或节点级任务、难以捕获全局图属性的问题。其核心贡献是构建基于跨视图对比学习的异构图神经网络，将语义信息与全局结构信息结合。 方法包含 meta-path view 与 outline view：前者提供语义信息，后者编码复杂边关系，并利用 nonlocal block 捕获图级属性。模型通过最大化 outline view 的全局表示与 meta-path view 的语义表示之间的互信息来学习节点嵌入。这里的 MI 指互信息，而非运动想象。摘要未给出互信息估计方式、对比样本构造、图级读出或具体训练目标形式，相关实现尚未验证。 作者报告，在节点级和图级任务上，HeGCL 优于所比较的方法；作者还报告，进一步探索表明 nonlocal block 对图级任务具有显著贡献。摘要未提供数据集、划分协议、基线名称、具体指标、增益数值或统计检验信息，因此尚不能判断优势适用范围，也不能直接比较不同任务下的效果。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将多模态脑信号或不同类型脑区关系构造成异构图，语义视图与全局关系视图的互补机制可能用于研究局部连接难以表达全局模式的问题；这一假设依赖合理的节点类型、边类型和 meta-path 定义，而非直接适用于普通 EEG 时序。可考虑复用跨视图目标，改造图构建与语义路径；低信噪比、通道差异及小样本可能使全局聚合放大伪相关。一个可证伪的小实验是在固定 EEG 图构建、编码器容量和跨被试划分下，对比单视图、双视图及去除 nonlocal block 的版本。上述迁移不属于论文已验证结果，已有 EEG 相关工作尚未检索确认。