GCNH：一种用于异配图表示学习的简单方法

基于摘要分析。该研究针对 GNN 在异配图上表现不稳定的问题，提出 GCN for Heterophily（GCNH），以较简单的架构兼顾异配图与同配图表示学习；原研究对象是通用图数据，并非 EEG 或 BCI。 核心机制是分别学习中心节点和邻居的表示，再通过每层一个可学习的重要性系数平衡两者的贡献，避免将中心节点与邻域信息不加区分地混合。摘要强调邻域标签分布对学习的重要性，但未说明具体损失、标签如何参与训练或推理，不能据此认定方法在推理时使用邻居标签。 作者报告，在八个真实世界图及一组异配程度不同的合成图上，GCNH 相比 vanilla GCN 有明显改善；在八个基准中的四个上优于所比较的更复杂先进模型，其余数据集上结果相近。作者还报告其可训练参数更少、训练更快，并能缓解过平滑。摘要未提供数据集名称、评价指标、具体数值及划分方式，实验协议、消融及统计信息尚未验证，因此这些结果不能用于跨协议的定量比较。 平台推测（待验证）：若 EEG 任务已将通道或脑区建成图，且相连节点不总具有相似的任务相关特征，分离自身信息与邻域信息可能有助于检验邻域聚合是否损害判别性。但图异配通常涉及节点标签关系，不能直接等同于 EEG 通道间的信号差异。可复用的是表示分离与贡献加权机制；需改造或确认的是 EEG 图构建、节点特征、预测层级及监督方式。低信噪比、不稳定连接、跨被试通道差异和小数据均可能使权重学习失效。一个可证伪的小实验是在固定 EEG 特征、图结构和 Cross-subject 划分下，对照普通 GCN 与该分离加权机制，检查性能收益及其对图构建扰动的稳定性。已有 EEG 相关工作尚未检索确认。