超越节点与同质性假设的图表示学习

基于摘要分析。本文研究无监督图表示学习中以节点为中心、依赖同质性假设的设计局限，提出 PairE，以两个配对节点为嵌入基本单元，保留节点间高频信号，同时支持节点相关与边相关任务。其主要研究对象是通用图表示学习，并非 EEG 或 BCI。 机制上，作者认为，连接节点倾向于具有相似标签的同质性假设，会限制表示对其他特征信号的保留，尤其影响边分类等任务。PairE 使用多重自监督自编码器完成两个前置任务：一个侧重保留高频信号，另一个增强共性表示。这里的高频指图信号中的变化成分，不能直接等同于 EEG 的时间频段；具体配对策略、损失形式及训练流程尚未验证。 作者报告，在多个基准数据集上，PairE 优于所比较的无监督基线：在依赖节点对中高、低频信号的边分类任务上，最大相对提升为 101.1%；在节点分类任务上，最大相对性能增益为 82.5%。摘要未提供对应数据集、评价指标、划分及基线细节，因此这些数字不是准确率或百分点提升，也不能据此推断所有任务均有同等收益。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 通道及其关系构成图，节点对表示可能有助于保留通道间差异，缓解仅聚合相似邻居时关系信息被弱化的问题。可复用部分是节点对嵌入与双前置任务思路；需改造图构建、通道特征及下游读出。该假设依赖通道关系具有稳定意义，低信噪比、跨被试连接差异、通道配置变化和小数据均可能使高频图信号主要反映噪声。可在固定 EEG 数据划分、图构建与分类器的条件下，对比节点嵌入和 PairE 式节点对嵌入，并检查加入通道噪声后的表现。已有 EEG 相关工作尚未检索确认。