无需重连的过度压缩缓解：层有效电阻视角

基于摘要分析。本文研究 Graph Neural Networks（GNNs）因有限维消息反复压缩而难以捕获长程依赖的 over-squashing（过度压缩）问题，提出 sheaf effective resistance（层有效电阻），并以 FlatNSD 实现不改变原图拓扑的缓解方法。核心贡献是将瓶颈的解释从图拓扑本身扩展到附着于图的 cellular sheaves（胞腔层）结构。 机制与理论：传统有效电阻用于刻画图上的信息传播瓶颈，本文将其推广为依赖层结构的量。作者报告，对于 flat vector bundles（平坦向量丛），以 Jacobian 衡量的过度压缩敏感性可由与节点间层有效电阻相关的量给出上界。因此，作者提出可通过调整层结构来重新分配并减轻瓶颈，而非必须增加或修改图边。该理论限定于摘要所述条件，不能直接推广为任意 GNN 的保证；上界形式、假设及其与实际传播能力的关系尚未验证。 实现与结果：FlatNSD 是 Neural Sheaf Diffusion 的一种简单消息传递变体。作者报告，该方法隐式学习调节总层有效电阻，并在专门考验过度压缩的基准上表现良好，且保持原始图拓扑不变。摘要未提供基准名称、数据划分、对照方法、指标或数值，实验协议、消融及统计信息尚未验证；具体层参数化、训练目标和复现条件也需全文核对。 平台推测（待验证）：假设 EEG 任务采用通道或脑区图，且关键依赖需要多跳消息传播，这一机制可能帮助区分拓扑瓶颈与消息传递结构瓶颈。可复用的是层结构驱动的传播机制，需适配 EEG 节点特征及图构建方式；低信噪比、跨被试差异、通道变化和小数据可能导致层结构学习不稳定。一个可证伪的小实验是在固定 EEG 图、相同数据划分和匹配训练预算下，对比 FlatNSD 与常规消息传递方法，检验任务性能及传播敏感性是否一致改善。相关 EEG 工作尚未检索确认，当前材料不构成 BCI 有效性证据。