EEGNN：结合贝叶斯非参数图模型的边增强图神经网络

基于摘要分析。本文研究深层图神经网络（GNN）随消息传递层数增加而性能退化的问题，提出 mis-simplification（错误简化）这一解释，并以贝叶斯非参数图模型提取结构信息，构建边增强图神经网络 EEGNN。这里的 EEGNN 是 edge enhanced graph neural network 的缩写，并非 EEG 信号模型，不能据其名称或来源标签认定研究已验证 BCI 应用。 核心机制：不同于以 over-smoothing（过平滑）和 under-reaching 解释性能退化，作者关注禁止自环、强制边无权重这类图简化操作，认为它们会削弱消息传递层捕获图结构信息的能力。所提 Dirichlet mixture Poisson graph model（DMPGM）是贝叶斯非参数图模型；EEGNN 使用其提取的结构信息增强不同深层消息传递 GNN，作者还提出了用于 DMPGM 的 Markov chain Monte Carlo 推断框架。结构信息如何注入 GNN、模型训练与推断的具体流程及计算成本，摘要未说明。 结果与证据边界：作者报告，在不同数据集上的实验中，该方法相较基线取得明显性能提升；摘要未给出数据集名称、任务、划分协议、具体基线、指标或数值。实验协议、消融及统计信息尚未验证，尤其需要核对自环、边权与 DMPGM 结构增强各自的贡献，以及增益是否随消息传递深度变化。 平台推测（待验证）：若 EEG 任务采用通道关系图，保留自环和连续边权、建模结构不确定性的思路可能用于检验图简化是否损失有效信息；这一假设依赖通道间关系能够被可靠估计。可复用的是结构建模与图增强思路，需要改造的是 EEG 图构建方式及其与分类器的接口。低信噪比、跨被试连接差异、通道配置变化和小数据条件可能使结构估计不稳定。一个可证伪的小实验是在固定数据划分、GNN 骨干与训练预算下，对比无权无自环图、加权含自环图及 DMPGM 增强图，并评估多次运行的稳定性。相关 EEG 工作尚未检索确认，原领域结果不构成 EEG 或 BCI 有效性的证据。