Primphormer：利用原始表示构建图 Transformer

基于摘要分析。该研究针对 Graph Transformers（GTs）中成对计算带来的二次复杂度与大图扩展瓶颈，提出原始—对偶框架 Primphormer：将图上的自注意力解释为对偶表示，再以线性复杂度建模相应的原始表示。 核心贡献是从表示形式上降低计算负担，而非仅调整图自注意力的实现。作者报告，其理论分析表明 Primphormer 对序列函数与图函数具有通用逼近能力；作者还报告，在多个图基准上取得有竞争力的实验结果，并具有更友好的内存与计算开销。摘要未提供具体基准、数据划分、对照方法、指标或资源测量条件，因此尚不能判断性能与效率收益的幅度。原始—对偶映射的具体形式、线性复杂度所依赖的条件，以及理论结论的假设、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务将通道及其关系表示为图，该机制可能对应多通道关系建模中的成对计算开销；这是迁移假设，不是本文已验证的贡献。其可复用部分可能是原始表示下的注意力计算，需改造部分包括 EEG 时序特征输入与通道图构建。低信噪比、跨被试关系变化、通道配置差异及小数据训练都可能使理论表达能力难以转化为解码收益，而且通道数较少时效率优势可能有限。一个可证伪的小实验是在固定 EEG 数据划分、通道图和时序编码器的条件下，对比标准图自注意力与 Primphormer 的任务指标、峰值显存和运行时间，检验是否能在不损害解码表现的前提下降低开销。相关 EEG 工作尚未检索确认。