用于自监督异构图表示学习的保留—掩码—重建模型

基于摘要分析。本文研究数据挖掘中的自监督异构图表示学习，针对元路径构建在中大型图上的计算成本，提出 Reserving-Masking-Reconstruction（RMR）模型，以保留、掩码和重建流程利用多种节点类型与关系信息，而不依赖元路径。 机制上，RMR 先在图掩码前保留待掩码目标节点的信息，再按关系类型将保留后的图拆分为关系子图；随后对各关系子图中的目标节点进行随机掩码，并通过重建不同关系子图中的被掩码节点构造自监督信号。作者称该过程能够尽量减少拓扑信息损失，并具有较低计算复杂度。摘要未明确保留信息的具体形式、掩码对象的属性范围、重建目标及损失函数，因而尚不能判断其与其他掩码图学习方法的具体差异。 作者报告，在所评估的中大型异构图上取得最先进结果，在小型异构图上取得有竞争力的结果；但摘要未提供数据集、任务、划分协议、对照方法、具体指标或运行开销，不能据此量化效果与效率优势。实验协议、消融及统计信息尚未验证。材料提供了代码链接，复现时仍需核对环境、数据处理及配置。 平台推测（待验证）：若 EEG 数据被显式构造成包含多类节点或多类边的异构图，按关系分解并进行掩码重建，可能为联合学习不同关系提供预训练机制；这一假设依赖可靠的图结构定义，不能直接等同于 EEG 或 BCI 效果。可复用候选模块是关系子图划分与掩码重建，需改造节点特征、关系定义和重建目标。低信噪比可能使重建偏向噪声，跨被试及通道差异也可能削弱关系结构的稳定性。一个小规模可检验实验是在同一 EEG 数据划分和编码器下，对比 RMR 式预训练与不区分关系的掩码预训练，观察下游任务表现与计算开销；已有相关 EEG 工作尚未检索确认。