ChebMixer：基于 MLP Mixer 的高效图表示学习

基于摘要分析。本文研究高效图表示学习，提出 ChebMixer：通过基于 Chebyshev 多项式的快速谱滤波生成节点多尺度表示，将其作为 token 序列交由 MLP Mixer 处理，再通过 Chebyshev 插值聚合，以改善下游任务的节点表示。 其针对的瓶颈是：将节点视为 token 的 graph Transformer 在自注意力计算中具有关于节点数的二次复杂度，而已有 graph MLP Mixer 的图 token 提取过程较耗时。ChebMixer 的机制路径是先进行多尺度谱滤波，再针对每个节点的多尺度 token 精炼表示，最后聚合多尺度信息；不能据此认定其直接在全部节点之间执行 token 混合。具体图算子、滤波阶数、MLP Mixer 配置、损失函数及整体复杂度尚未验证。 作者报告，该方法在图节点分类至医学图像分割等场景取得显著改进，但摘要未给出数据集、划分、对照基线、评价指标、数值或运行时间，因此暂不能量化性能收益，也不能判断效率优势适用的图规模。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为以通道为节点、以空间关系或功能连接为边的图，多尺度谱滤波可能用于提取不同图邻域尺度的信息，MLP Mixer 与聚合模块可能复用；图构建、输入时间特征及任务输出则需适配。该假设依赖图结构具有可靠意义，原领域结果不等于 BCI 有效。低信噪比导致的连接估计误差、跨被试图差异、通道不一致及小数据过拟合均可能使其失效。可在固定 EEG 图构建和跨被试划分下，对比仅使用 Chebyshev 谱滤波与加入 Mixer 的模型，同时记录任务指标、训练与推理耗时，以检验额外混合模块的收益。已有 EEG 相关工作尚未检索确认。