保持传递性的图表示学习：连接局部连通性与基于角色的相似性

基于摘要分析。本文研究通用图表示学习中局部连通性与远距离节点角色信息难以兼顾的问题，提出 Unified Graph Transformer Networks（UGT），将局部与全局结构融合为固定长度向量表示；研究对象并非 EEG 或 BCI。 机制上，UGT 先识别局部子结构并聚合各节点 k-hop 邻域特征，再在结构相似的远距离节点之间构造虚拟边，以引入长程依赖。随后，自注意力结合节点对的结构距离及 p-step 转移概率学习统一表示。作者还提出学习转移概率的自监督任务，用于融合局部与全局结构特征，并支持向下游任务迁移。摘要未给出虚拟边筛选规则、损失形式及具体训练配置。 作者报告，在真实世界基准数据集的多种下游任务中，UGT 优于包含先进模型的对照基线，但摘要未列出数据集、划分协议、具体任务成绩或统计检验，因而无法量化优势或判断其适用边界。作者另称 UGT 达到第三阶 Weisfeiler-Lehman 区分非同构图对的能力，其理论假设与证明范围尚需全文核对；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 通道及其功能连接表示为图，结构相似虚拟边可能用于连接空间上较远但连接角色相近的通道；这依赖可靠的图构建，而非仅有原始时序即可直接复用。可复用部分是局部聚合、虚拟边和结构编码，需改造 EEG 节点特征、边权及转移概率的定义。低信噪比可能导致伪连接，跨被试和通道配置变化可能使结构角色不稳定，小数据也可能增加过拟合风险。可在固定图构建、相同划分的跨被试 EEG 任务中，对比仅局部图与加入结构相似虚拟边的版本，检验其是否稳定改善表现。已有 EEG 相关工作尚未检索确认。