GTC：用于自监督异构图表示的 GNN-Transformer 协同对比学习

GTC 面向自监督异构图表示学习，旨在结合 GNN 的局部信息聚合与 Transformer 的全局、多跳交互建模，缓解过平滑和标签稀缺带来的限制。基于摘要分析，研究的主要对象是异构图，而非 EEG 或 BCI。 方法采用 GNN 与 Transformer 两个分支，从不同视图编码节点信息，再根据跨视图编码建立对比学习任务。Transformer 分支引入 Metapath-aware Hop2Token 和 CG-Hetphormer，以注意力方式编码不同层级的邻域信息，并与 GNN 协同学习。摘要未提供 token 构造、正负样本定义、具体损失及分支协作细节，因此不能据此判断其如何避免表示退化，或是否消除了过平滑。 作者报告，在真实数据集上的实验中，GTC 优于所比较的先进方法；但摘要未列明数据集、任务、划分、基线和指标数值，性能优势的适用范围尚未验证。作者提供了代码链接，代码完整性与可复现性仍需核对；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 构造成包含不同类型节点或关系的异构图，其局部—多跳跨视图机制可能用于研究局部连接与远距离依赖的联合表征。该假设依赖具有明确含义的节点类型、关系和元路径，需改造图构建、节点特征与 Metapath-aware Hop2Token，不能直接把普通通道图等同于原任务中的异构图。低信噪比可能使注意力聚合伪连接，跨被试通道或连接差异可能破坏元路径语义，小数据也可能使对比视图学到个体特征而非任务信息。可在固定 EEG 图构建及同一跨被试划分下，对照 GNN 单分支与完整协同框架，检验增益及其对连接扰动的稳定性。以上不是原论文结果，已有 EEG 相关工作尚未检索确认。