VQGraph：重新思考图表示空间以连接 GNN 与 MLP

基于摘要分析。本文研究图数据上的 GNN-to-MLP 知识蒸馏，提出 VQGraph：将节点局部结构编码为离散码，并以软编码分配作为蒸馏目标，让学生 MLP 学习超出类别预测范围的结构知识。原论文的主要研究对象是图表示学习与高效图推理，而非 EEG 或 BCI。 核心机制：作者认为，仅让 MLP 模仿 GNN 在少量类别上的预测，可能不足以表达多样的局部图结构。VQGraph 使用 VQ-VAE 的变体学习结构感知 tokenizer，将每个节点的局部子结构映射为离散码；这些码构成新的图表示空间，再通过 soft code assignments 将结构知识从 GNN 传递给 MLP。摘要未说明具体损失形式、码本规模、局部子结构定义，以及教师、tokenizer 与学生的训练顺序，均需正文核对。 结果与证据边界：作者报告，在七个图数据集的 transductive 和 inductive 设置下，VQGraph 达到其所称的最新最佳 GNN-to-MLP 蒸馏表现；另报告相对 GNN 的推理加速为 828×，相对 GNN 和独立 MLP 的平均 Accuracy 提升分别为 3.90% 和 28.05%。摘要未明确这些汇总数字对应的具体数据集、划分、硬件、计时范围及提升计算口径，因此不能将百分比改写为百分点，也不能推定每个设置均有相同收益。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：迁移假设是，若 EEG 任务具有可重复的通道关系图，结构码本蒸馏可能帮助低成本 MLP 学习图教师捕获的关系信息。可复用部分是离散结构编码与软分配蒸馏；需要改造图构建、节点特征和局部结构定义，并核对学生推理是否仍依赖图信息。低信噪比、跨被试连接差异、通道配置变化和小数据可能使码本学习到不稳定结构。一个可检验的小实验是，在同一 EEG 数据集的固定跨被试划分下，对比独立 MLP、类别预测蒸馏和结构码本蒸馏，统一输入与训练预算，检验结构蒸馏是否改善 Accuracy 及推理延迟。原领域结果不等于 BCI 有效性；已有 EEG 相关工作尚未检索确认。