S4G：利用结构化状态空间突破图上的信息瓶颈

基于摘要分析。该研究针对图学习中消息传递神经网络（MPNN）难以捕获长程交互、图 Transformer（GT）又缺乏图结构归纳偏置的问题，引入结构化状态空间建模有根树的层级结构，并提出基于状态空间模型的图卷积 S4G。其主要研究对象是通用图学习，而非 EEG 或 BCI。 核心机制：摘要将 over-squashing（过度压缩）归因于多轮消息传递将随传播范围指数增长的节点信息压入固定维度表示。作者指出，MPNN 的节点间敏感性随最短路径距离指数衰减，而 GT 的敏感性恒定；前者限制远距离信息流，后者削弱结构归纳偏置。作者称，结构化状态空间能够捕获有根树的层级结构，实现具有理论保证的线性敏感性，从而兼顾 MPNN 的结构归纳偏置与 GT 的长程建模能力。敏感性的数学定义、线性关系的适用条件、图到有根树的构造方式，以及训练与推理实现尚未验证。 结果与证据边界：作者报告，该方法在长程及通用图基准上表现优于对照方法；摘要未提供基准名称、数据划分、具体指标、数值或对照配置，不能据此量化优势。实验协议、消融及统计信息尚未验证，代码与复现条件亦未确认。 平台推测（待验证）：若 EEG 任务采用电极或脑区图，并确有远距离节点交互受传播瓶颈限制，S4G 的状态空间图卷积可能提供可复用模块；该假设不代表已证实的 BCI 效果。迁移需明确图结构、边权及有根树层级如何从 EEG 构造，并适配时序特征与任务监督；原研究依赖的监督形式和数据规模尚不明确。低信噪比、跨被试连接差异、通道变化及小数据可能使图层级不稳定，或令长程传播放大噪声。可在固定 EEG 数据划分、图构造与特征编码器的条件下，仅替换 MPNN 与 S4G 图模块，比较任务指标及其对图路径长度、通道扰动的敏感性，以检验机制是否有效。已有 EEG 相关工作尚未检索确认。