MixOT：面向社交网络的基于混合阶采样与传输聚合器的图表示学习

基于摘要分析。本文研究社交网络中的图表示学习，针对 GNN 单层主要聚合近邻、加深网络以扩大感受域时易出现过平滑的问题，提出 MixOT，将图卷积中的表示变换与传播解耦，并结合混合阶采样和基于最优传输的邻域聚合。 机制上，作者首先设计无偏节点采样概率，预计算混合阶矩阵，再通过 top-k 截断采样各阶邻域信息，以控制邻居数量扩张。在此基础上，传输聚合器利用最优传输理论衡量不同阶邻居的重要性。其方法关注点是以受控的多阶邻域信息替代单纯依靠网络加深来扩大信息覆盖；具体采样分布、最优传输代价与求解方式，以及训练目标尚未验证。 作者报告，在图基准数据集的节点分类实验中，MixOT 优于所比较的先进 GNN 基线，并能缓解过平滑。摘要未提供数据集名称、划分、指标数值及计算开销，实验协议、消融及统计信息尚未验证，因此尚不能判断性能收益的幅度及其适用条件。 平台推测（待验证）：若 EEG 任务已构建电极或脑区关系图，混合阶采样可能用于获取较远节点信息，传输聚合器可能用于区分不同阶邻域的贡献；这是假设，不是本文已验证的 BCI 结果。可复用部分是采样与聚合思路，需改造并核验的是 EEG 图构建、节点特征、边权及预测目标，尤其原文为节点分类，不能直接等同于 EEG 试次分类。低信噪比和不稳定连接可能使多阶传播放大伪相关，跨被试、通道变化与小数据也可能削弱聚合权重的可靠性。一个小规模检验是在固定 EEG 图、数据划分与训练预算下，对照单阶聚合、混合阶采样及完整 MixOT，观察任务性能和节点表示相似度是否同时改善。已有 EEG 相关工作尚未检索确认。