基于 Transformer 的图表示学习模型中的节点上下文选择

基于摘要分析。该研究面向通用图表示学习，探讨 Transformer 为目标节点选择哪些其他节点作为输入上下文，提出同时考虑图拓扑与节点特征语义相似性的混合选择方法，而非仅依据拓扑选取上下文。 核心机制是改变目标节点可访问的上下文集合，使结构关系与特征相似性共同参与选择。摘要将节点特征在上下文选择中的作用作为主要研究贡献，但未说明两类信息如何融合、上下文数量如何确定，以及具体训练目标和计算开销；这些实现细节尚未验证。 作者报告，在多个数据集的下游分类任务中，混合方法优于仅考虑拓扑或仅考虑语义相似性的选择方法；各数据集上相对基线的最佳分类 Accuracy 提升幅度为 0.77%–6.05%。摘要未明确该数值表示相对百分比还是百分点，也未提供数据集名称、数据划分、具体基线及重复实验设置，因此不能进一步解释或跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道表示为节点，并以通道关系构图，该机制可能用于检验固定拓扑是否遗漏特征相似但空间距离较远的通道。可复用的是上下文选择思路，需改造的是图定义、节点特征及语义相似性计算；低信噪比、跨被试差异和通道配置变化可能使相似性失真，小数据还可能放大选择偏差。一个小规模可证伪实验是在固定模型与上下文预算下，按被试隔离训练和测试，对比拓扑、特征相似性及混合选择，并检查收益是否随噪声增加而消失。该假设不代表已证实的 EEG/BCI 效果，已有 EEG 相关工作尚未检索确认。