图神经网络中基于局部几何双曲性的节点特异性空间选择

基于摘要分析。该研究针对同一图的不同区域可能分别具有欧氏与双曲几何特征、统一嵌入空间可能不够合适的问题，提出 Joint Space Graph Neural Network（JSGNN），通过局部双曲性引导每个节点选择嵌入空间，而非将所有节点固定在同一种空间中。 核心机制是分析两类描述局部几何的双曲性：几何（Gromov）双曲性与基于模型的双曲性，并使用 Wasserstein 度量对齐二者的分布，使计算得到的几何双曲性指导学习得到的模型双曲性。由此，JSGNN 可在学习过程中利用欧氏空间和双曲空间。摘要尚未说明局部邻域的定义、双曲性计算方式、空间选择是否连续可微，以及分布对齐如何与任务目标联合优化，不能据此推定具体网络结构或损失形式。 作者报告，在节点分类和链接预测任务上，相较基线模型观察到有潜力的表现。摘要未提供数据集、数据划分、基线名称、指标及数值，因此无法判断收益幅度、稳定性或计算代价；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 通道或脑区构成的图确实具有稳定的局部几何异质性，节点级空间选择可能为统一几何假设提供替代方案。这一假设依赖图结构及其局部双曲性估计的可靠性，不是已证实的 EEG/BCI 效果。可考虑复用几何估计与空间选择机制，但需改造 EEG 图构建、节点特征及任务输出；低信噪比、跨被试连接变化、通道数较少和小样本都可能使局部几何估计不稳定。一个可检验的小实验是在固定 EEG 图构建与 Cross-subject 划分下，对照纯欧氏、纯双曲及节点级空间选择模型，同时检验局部双曲性对信号扰动的稳定性。已有 EEG 相关工作尚未检索确认。