求共性、保特性：用于跨城市道路表征学习的频谱感知层次框架

基于摘要分析。本文研究异质城市布局下的跨城市道路表征学习，提出 CoSpec，将道路网络表征拆分为可共享的低频共性与城市特有的高频特性，以应对跨城市分布偏移。作者将不同城市频谱分布的显著差异称为 spectral misalignment，并认为这是标准 Graph Neural Networks 难以提取通用模式的主要障碍。 机制上，CoSpec 采用层次化双路径架构：低频路径通过自适应原型对齐全局功能语义，高频路径调制局部几何残差，以适配不同城市的局部结构。作者报告，理论分析为城市分布之间的 Wasserstein 距离提供界限，实验显示其泛化表现优于所比较的先进基线；但摘要未给出界限的具体形式与成立条件，也未提供数据集、任务、划分、基线名称或定量结果，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究借鉴的机制是将共享结构与域特有残差分开建模，而非直接复用城市道路语义。若将 EEG 通道表示为图，可检验低图频成分是否承载较稳定的跨被试结构；但图频率不等同于 EEG 时间频率，低频共性与高频特性的对应关系也不能预设成立。原型对齐与双路径分解可能复用，图构建、原型监督及残差调制则需重新设计；低信噪比、通道布局差异、被试差异和小数据均可能使共享成分混入伪迹或导致原型不稳定。一个可证伪的小实验是在固定 Cross-subject 划分与相同训练预算下，比较基础图模型、仅低频对齐和完整双路径模型，并检查收益是否依赖某一种图构建。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。