Empool：通过离散 Morse 理论进行拓扑坍缩的表征学习

基于摘要分析。本文研究非欧几里得图数据上的表征学习，针对 Message Passing Neural Networks（MPNNs）的过平滑与过挤压问题，提出基于离散 Morse 理论的端到端可微图池化框架 Empool，试图通过保留同调的拓扑压缩缓解深层网络的信息退化。 核心机制是将图建模为 Lefschetz complexes，由参数化多层感知机学习离散 Morse 函数，以此控制 Forman reduction，将图拓扑逐步坍缩为紧凑的临界胞腔集合。作者称该过程严格保持同调，并认为所得稀疏表征可缓解拓扑瓶颈。需注意，同调保持是拓扑性质，并不自动保证任务相关信号或预测性能得到保留；可微实现、约束方式与理论适用条件仍需全文核对。 作者报告，在既有节点预测和图预测基准上，Empool 相对当前先进架构具有竞争力且表现稳健。摘要未提供基准名称、划分协议、具体指标或数值，不能据此判断增益大小及适用边界；实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：若 EEG 被表示为通道或脑区关系图，该拓扑压缩机制可能对应图消息传递中的信息聚合瓶颈。可复用部分是离散 Morse 引导的池化机制，需改造部分包括 EEG 图构建及压缩后信号特征的承载方式。其依赖可定义的图或复形结构，但摘要未说明训练监督与数据规模要求。低信噪比下的伪连接、跨被试连接差异、通道数量变化及小数据训练，均可能使保留同调与保留判别信息脱节。一个可证伪的小实验是在固定 EEG 图构建、骨干与划分协议下，对比 Empool、无池化及常规池化，检查不同网络深度下的任务指标与稳定性；原领域结果不构成 EEG/BCI 有效性证据，已有 EEG 相关工作尚未检索确认。