面向大规模属性图节点表示学习中学习偏差的标签反卷积

基于摘要分析。本文研究大规模属性图中节点编码器与 GNN 分离训练引入的学习偏差，提出标签正则化技术 Label Deconvolution（LD），试图在避免联合训练扩展性瓶颈的同时，将 GNN 的影响纳入节点编码器训练。 原研究对象是具有文本、蛋白质序列等丰富节点属性的图，而非 EEG 或 BCI。预训练模型作为节点编码器（NE）提取属性表示，GNN 则利用图结构进行特征卷积。摘要指出，分离训练时 NE 未考虑后续 GNN 的特征卷积，因此其学习目标会偏离联合训练。LD 的核心机制是构造可扩展的 GNN 逆映射近似，以标签正则化缓解这一偏差；具体映射形式、损失函数及实现步骤尚未验证。 作者报告，该逆映射导出的目标函数与联合训练目标等价，并在一定假设下证明 LD 收敛至联合训练的最优目标函数值；假设内容、近似误差与结论适用范围需查阅全文。作者还报告，LD 在 Open Graph Benchmark 数据集上显著优于当前先进方法，但摘要未提供具体数据集、任务、划分、指标、数值及基线配置，不能据此量化增益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务已具有明确的图结构、节点属性与监督标签，且确实采用“节点编码器与 GNN 分离训练”的流程，LD 可能用于检验这种分离是否造成可缓解的目标偏差。可考虑复用其标签正则化思想，但图构建、节点属性编码及标签作用层级需按任务改造；低信噪比、跨被试图结构变化及小样本可能使逆映射近似不稳定。一个可检验的小实验是在固定被试划分、图构建与模型配置下，对比分离训练、加入 LD 及可负担的联合训练，观察任务指标与训练资源开销。该假设不代表已有 EEG 效果，相关工作尚未检索确认。