HyperFormer：通过超图 Transformer 学习富有表达力的稀疏特征表示

基于摘要分析。该研究面向信息检索中高维稀疏特征的表示学习问题，尤其关注训练数据中出现频率较低的尾部特征值。作者提出 Hypergraph Transformer（HyperFormer），通过由特征构造的超图显式引入实例间关联，以学习同时包含实例关系与特征关系的表示。 核心机制是将每个数据实例设为节点，将每个不同的特征值设为一条超边，使共享特征值的实例能够在超图中建立联系，再通过 HyperFormer 进行消息传递。其方法特点在于从已有特征中构造关系结构，而非依赖外部提供的关系先验；摘要未披露具体注意力计算、损失函数、训练与推理流程。 作者报告，该方法在所开展实验中能够改善稀疏特征表示学习，但摘要未给出数据集、数据划分、对照方法、评价指标及具体数值，因而尚不能判断收益幅度及其在尾部特征上的稳定性。实验协议、消融及统计信息尚未验证。复现需核对超图构建范围、稀有特征的处理方式，以及新实例在推理时如何接入超图。 平台推测（待验证）：若 EEG 任务包含可定义且具有重复共享关系的离散事件、元数据或离散化特征，可假设复用“实例—特征值”超图及消息传递机制，尝试缓解稀有特征表示不充分的问题；这并不意味着原方法已适用于连续 EEG。需要改造特征编码与超边定义，且低信噪比可能造成错误连接，跨被试或通道差异可能使共享特征值不再具有相同语义，小数据也可能不足以支撑可靠的关系估计。一个可检验的小实验是在固定 Cross-subject 划分下，仅用训练集定义特征编码与构图规则，对比相同输入的非图基线、HyperFormer 及打乱超边的对照，检验关系结构是否带来可重复收益。相关 EEG 工作尚未检索确认。