通过异构 motif 图构建进行分子图表示学习

基于摘要分析。该研究针对分子图表示学习中各分子被独立处理、分子间 motif 级关系未被充分利用的问题，提出构建异构 motif 图，并使用 Heterogeneous Motif Graph Neural Network（HM-GNN）学习节点表示。研究对象是分子图，而非 EEG 或 BCI。 核心机制是将分子节点与从分子中提取的 motif 节点纳入同一异构图，使不同分子能够通过 motif 级关系建立联系。作者进一步利用该结构开展多任务学习，尤其面向小规模分子数据集，并引入边采样器以降低计算资源消耗。摘要未交代 motif 提取规则、具体连边方式、消息传递机制、损失函数及采样策略，相关实现细节尚未验证。 作者报告，其方法在所开展的实验中持续优于此前的先进模型；在组合数据集的多任务设置下取得了较好的表现；采用边采样器后，以显著更少的计算资源获得相近表现。摘要未提供数据集名称、划分协议、指标、具体数值或资源测量条件，因此无法核对提升幅度及比较边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 样本能够形成稳定且跨被试可比较的局部连接模式，可假设借鉴“样本节点—共享模式节点”的异构图结构，探索小数据下的跨样本信息共享。可复用的是异构图组织与边采样思路，需改造的是模式提取、连边规则及任务监督。分子 motif 的结构语义不能直接等同于 EEG 模式；低信噪比、被试差异、通道配置变化和小样本下模式估计不稳均可能使迁移失效。一个可检验的小实验是固定 EEG 编码器与跨被试划分，仅从训练集提取共享模式，对比独立样本图与异构共享模式图，并加入随机模式连边对照，检查共享结构是否带来稳定收益。相关 EEG 工作尚未检索确认。