FoGE：受 Fock 空间启发的图提示编码

基于摘要分析。FoGE 研究如何将图结构编码为适合预训练 LLM 的提示，使其回答图相关问题。核心贡献是引入受数学物理中 Fock space 表示启发的无参数图编码器，并将其用于冻结 LLM 的 prefix tuning，探索在较少架构调整下处理不同类型图结构。 机制与对照：摘要将图序列化、graph transformers 等列为现有图提示方案，FoGE 则从 Fock space 理论出发，经少量调整构造图表示。无参数指的是图编码器，不等于整个系统无需训练；摘要明确涉及 prefix tuning，但未给出可训练部分的具体实现、图编码与 LLM 的接口、损失或训练协议。 结果与证据边界：作者报告，该方法能够有效回答涉及简单图、蛋白质和超图的问题，并可在很少甚至无需架构调整的情况下适配这些结构。摘要未提供具体数据集、任务划分、监督规模、评估指标、基线成绩或计算成本，因此尚不能量化其相对现有方法的优势；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 功能连接表示为图，FoGE 的结构编码与冻结 LLM 接口可能提供可复用模块，但这只是迁移假设，不是论文已验证的 EEG/BCI 效果。需先核对其对节点属性、加权边及图规模的要求，再改造通道标识与连接权重输入；低信噪比导致的连接不稳定、跨被试差异及通道配置变化都可能使编码失效。一个小规模可证伪实验是在固定 EEG 连接构图方式与跨被试划分下，比较 FoGE 和图序列化提示，保持 LLM 与训练预算一致，检验图编码是否带来稳定增益。相关 EEG 工作尚未检索确认。