HAGO-Net：用于分子表征学习的层次化几何消息传递

基于摘要分析。该研究针对分子表征学习中难以充分刻画和学习分子几何的问题，提出层次化几何图 HAGO-Graph 及其学习模型 HAGO-Net，主要研究对象是分子几何表征与分子任务，而非 EEG 或 BCI。 方法上，HAGO-Graph 借助物理学中的 n-body 概念，在多个空间尺度上组织几何模式；HAGO-MPS 通过横向与纵向聚合传递信息，并由几何图神经网络 HAGO-Net 实现。作者将这种层次结构用于刻画分子几何，并称证明了 HAGO-Net 的导数函数 DHAGO-Net 具有等变性。摘要未展开各层几何对象、边的定义、聚合运算，以及等变性所对应的变换群和证明条件，相关内容尚未验证。 结果方面，作者报告在四个基准上进行了比较：在分子手性识别与性质预测任务中达到当时最优表现，其中包括 QM9 数据集上的五项性质；在分子动力学预测任务中取得有竞争力的结果。摘要未给出具体性质名称、指标、数值、数据划分或对照模型，因此这些结论只能按作者报告理解，不能据此量化改进幅度。实验协议、消融及统计信息尚未验证。 该方法依赖分子空间几何及多体关系，不能直接将其分子任务结果视为 EEG/BCI 有效性的证据。现有材料尚不足以建立具体的 EEG 迁移路径，不据此提出迁移效果判断或复现实验建议。