不依赖同质性假设的特征中心无监督节点表示学习

基于摘要分析。本文研究无节点标签条件下的图节点表示学习，提出 FUEL，以节点特征聚类作为类别代理，自适应学习图卷积的适当使用程度，旨在避免非同质性图中过度邻域聚合造成的表示趋同。 核心机制：图卷积通过聚合邻居信息编码节点特征与图拓扑，但邻接节点未必具有相近特征或类别，过度聚合可能削弱节点间有意义的差异。FUEL 利用节点特征识别聚类，并以这些代理类别指导嵌入空间中的类内相似性和类间可分性。摘要未说明聚类算法、具体目标函数及图卷积调节方式，不能据此确定其网络结构或训练流程。 作者报告，在包含 14 个基准数据集、与 15 种基线方法比较的下游任务实验中，FUEL 在不同同质性水平的图上取得最先进性能。摘要未提供数据集名称、任务细节、指标、划分与具体分数，因此无法判断各协议下的收益幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 通道图或试次图中的相邻节点并不总具有相似任务信息，调节图卷积使用程度可能减轻不恰当聚合。可借鉴的是特征聚类代理监督与聚合强度调节思路，但需重新定义 EEG 节点、特征及边，并检查聚类是否主要反映被试差异或噪声而非任务结构。低信噪比、通道配置差异与小样本可能使代理类别不稳定。一个可证伪的小实验是在固定 Cross-subject 划分与相同节点特征下，对照自适应、固定强度及不使用图卷积的表示学习，检验收益与聚类稳定性的关系。已有 EEG 相关工作尚未检索确认。