EDiS：面向图神经网络的边不相交子图稀疏化框架

基于摘要分析。EDiS 针对稀疏 GNN 训练中固定拓扑限制训练变化、逐轮重新采样或计算结构又可能增加成本的问题，将一次性结构提取与每个训练轮次的图组合分离，以缓存子图支持不同轮次和边保留比例下的训练图构造。 核心机制是将原图一次性分解为边不相交、可缓存的子图，再按边预算约束组合训练图，无须重新提取结构。默认构造采用基于特征的评分和 successive maximum score covering forests；图组合机制也支持其他边选择规则。摘要未给出评分函数、分解实现及采样分布的具体形式。 理论方面，作者对从缓存分解中抽取训练图的逐轮采样器进行组合分析。作者报告，默认 covering-forest 选择器下，存储的分解可确定性保留高评分割边，并给出不依赖具体选择器的、组合训练图中高评分割边存活的条件界。存储分解的保留性质与单轮训练图的存活保证并非同一结论，具体条件及界的强弱尚未验证。 实验方面，作者报告，在涵盖同配、异配及大规模图的 19 个节点分类基准上，与 17 个基线按相同边预算比较，EDiS 获得最高平均基准得分（accuracy/ROC-AUC），并在参与排名的方法中取得最低平均排名及最低 gap-to-best。上述结果是跨基准汇总，不能理解为每个数据集均最优，也不能将 accuracy 与 ROC-AUC 直接互换。作者报告消融中结构分解与逐轮变化的收益在严格边预算下最明显；数据集名称、划分、运行成本、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务采用通道或脑区作为节点、连接关系作为边的 GNN，缓存分解可能用于降低重复稀疏化成本，但依赖图结构足够稳定及边评分具有任务意义。可复用的是分解与预算约束组合模块，需改造的是 EEG 边评分及动态图更新方式；低信噪比、跨被试连接差异和通道变化可能削弱割边评分与缓存结构的可靠性。一个可检验的小实验是在固定 Cross-subject 划分、相同 GNN 和边预算下，对比固定稀疏图、逐轮采样与 EDiS，同时记录分类指标及包含预处理的总耗时。已有 EEG 相关工作尚未检索确认。