图不止于表象：通过自监督学习通用特征

基于摘要分析。本文研究如何从多个图中通过自监督学习提取同一图族的通用特征，而非仅学习适用于单个图的专属表征。核心贡献是以图专属模块统一不同图的异构节点特征，再交由共享的通用表征学习模块处理，为图基础模型提供一种多图联合学习框架。 机制上，作者将不同图之间的特征差异与共享表征学习分开处理：前者由图专属模块适配，后者由通用模块承担。其关键假设是，同一图族包含可跨图复用的结构或特征规律，多图自监督能够比单图自监督更充分地提取这些规律。摘要未说明图族如何界定、自监督任务与损失、特征统一方式或共享模块的具体结构。 作者报告，在同一图族的多个图上进行自监督，相较单图自监督能够改善表征质量，并提升下游节点分类表现；作者还报告该方法缩小了与监督学习的性能差距，同时减少自监督计算时间与模型参数。摘要未给出具体数据集、划分、指标、基线配置及数值，因此这些收益的适用范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 数据组织为通道节点图，该机制可能用于探索不同通道配置或特征空间下的共享表征；可复用的是“图专属适配加共享编码”的设计，需改造的是 EEG 图构建、节点特征及自监督目标。这一假设依赖不同图之间确有共享规律，低信噪比、跨被试差异、小数据与通道对应不稳定均可能使适配模块过拟合或抹去任务信息。一个可证伪的小实验是在固定下游训练数据与评估协议下，对比多图和单图自监督在留出被试节点标签预测上的表现，并控制模型容量与预训练数据量；这不等同于已验证的 BCI 解码收益。已有 EEG 相关工作尚未检索确认。