GraphFormers：面向文本图表征学习的 GNN 嵌套式 Transformers

基于摘要分析。本文研究文本图中的节点表征学习：结合节点自身文本与邻域信息，生成低维嵌入。作者提出 GraphFormers，将逐层 GNN 组件嵌入语言模型的 Transformer 模块之间，使文本编码与图聚合交替进行，而非先独立编码各节点文本、再统一聚合。 核心机制是让邻域信息参与文本表征的逐层更新，区别于语言模型与 GNN 的串联架构。作者另引入渐进式学习策略，先在经过处理的数据上训练，再在原始数据上训练，以增强图信息整合能力；数据处理方式、训练目标和具体调度尚未验证。 作者报告，在三个大规模基准数据集上，GraphFormers 优于其比较的 SOTA 基线，且运行效率相当。摘要未提供数据集名称、任务与划分、具体指标、分数或效率测量条件，因而不能据此量化收益或判断不同设置下的稳健性。摘要提供了源码地址，但实现与复现条件尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法依赖节点文本及邻接关系，不能直接视为 EEG 或 BCI 算法。若将通道或脑区作为节点，可假设“局部编码与图聚合交替更新”有助于联合建模局部信号和空间关联，但需将文本编码器改为 EEG 时序编码器，并重新定义图连接与训练目标。低信噪比、跨被试连接差异、通道变化及小数据均可能使邻域传播放大噪声或导致过拟合。一个可检验的小实验是在固定 EEG 数据划分、图结构及近似参数预算下，对比“时序编码后接 GNN”与逐层交替融合，分别核对被试内和跨被试表现。此迁移假设不属于原文已验证结果，相关 EEG 工作尚未检索确认。