SpaceGNN：用于极少标签节点异常检测的多空间图神经网络

基于摘要分析。该研究面向极少标签条件下的节点异常检测（NAD），提出多空间图神经网络 SpaceGNN，试图突破单一欧氏空间节点表示的限制，并以多空间信息集成缓解监督不足。其主要研究对象是图中的异常节点，并非 EEG 或 BCI 任务。 机制上，作者通过实证分析不同表示空间对任务的作用，设计 Learnable Space Projection，将节点编码到适合的空间；提出 weighted homogeneity（加权同质性），并称其作为信息传播系数的有效性得到实证与理论支持，由此构建 Distance Aware Propagation；再通过 Multiple Space Ensemble 汇集不同空间的信息。摘要未给出空间的具体类型、投影公式、传播权重计算方式及训练损失，这些实现细节尚未验证。 作者报告，在 9 个真实数据集的极少标签节点异常检测实验中，SpaceGNN 相比最强对照的 AUC 和 F1 平均分别提升 8.55% 与 4.31%，并报告多空间集成比数据增强更有益。摘要未明确这些提升是相对增幅还是百分点变化，不能自行换算；数据集名称、每个数据集的标签预算、划分、基线配置、平均方式、消融及统计信息尚未验证。作者提供了代码链接，但代码与结果的可复现性尚未核验。 平台推测（待验证）：若 EEG 异常通道检测可表示为“通道节点—通道关系边”的图，该机制可能对应异常标签稀少及通道关系异质的问题；这是迁移假设，不是已证实的 EEG 效果。可考虑复用空间投影、距离感知传播与集成模块，但需重新定义通道特征、图边及异常标签。低信噪比、跨被试通道关系变化、小样本下空间选择不稳定，以及异常模式与正常邻居混合，都可能使传播失效。一个可证伪的小实验是在固定 EEG 数据划分、相同图构建和标签预算下，对比完整 SpaceGNN、单空间版本及去除距离感知传播的版本，报告 AUC、F1 与多次重复的不确定性；已有 EEG 相关工作尚未检索确认。