UniGraph2：学习统一嵌入空间以联结多模态图

UniGraph2 研究多模态图（MMGs）的通用表征学习，旨在弥补 CLIP 等多模态基础模型对图关系建模不足，以及现有图基础模型主要面向文本属性图（TAGs）的适用范围限制。其核心贡献是结合模态专用编码器、图神经网络（GNN）、跨域多图预训练与 Mixture of Experts（MoE），学习融合节点多模态信息和图结构的统一低维嵌入空间。基于摘要分析，未取得论文全文。 原论文的主要研究对象是包含多模态节点特征与实体关系边的图，例如社交网络中的用户关系及文本、图像内容，而非 EEG 或 BCI。模态专用编码器负责处理不同模态，GNN 用于建模图结构；作者提出规模化的跨域多图预训练算法以支持不同图领域与模态间的迁移，并引入 MoE 对齐不同领域和模态的特征。摘要未提供具体损失函数、专家路由、监督来源或训练规模，相关实现尚未验证。 作者报告，在多种多模态图任务上，UniGraph2 在表征学习、迁移学习和多模态生成任务中显著优于现有先进模型；但摘要未列出数据集、划分、基线、指标及数值，因而无法判断优势幅度及适用边界。实验协议、消融及统计信息尚未验证，代码和预训练权重的可用性也尚未验证。 平台推测（待验证）：若 EEG 与其他模态能够构成语义一致的节点，并具备可靠的通道或样本关系图，该框架可能用于研究跨模态表征对齐与跨被试迁移。可复用思路是模态编码、图关系建模与 MoE 对齐，但 EEG 编码器、图构建方式及预训练目标需要针对任务改造。低信噪比、不稳定的关系边、被试与通道差异，以及小数据下专家训练不足，都可能使迁移失败。一个可检验的小实验是在固定跨被试划分和相同监督预算下，对比仅模态编码、加入 GNN、再加入 MoE 的方案，检验结构与对齐模块是否带来稳定增益；这不是原论文已验证的结果。已有 EEG 相关工作尚未检索确认。