在视图空间中解锁通用图知识

基于摘要分析。本文研究图预训练模型如何在不重新训练的情况下泛化到未见数据集，核心难点是不同图的节点特征在维度与语义上差异较大。作者提出 view space（视图空间），以统一方式编码不同图，并构建 Graph View Transformation（GVT）及用于节点表示学习的完全归纳模型 Recurrent GVT。 机制上，GVT 是视图空间中对节点置换和特征置换均保持等变性的映射，旨在避免特征空间变换限制模型对未见数据集的适用性。摘要未展开视图的具体构造、循环计算方式、训练目标及推理流程；置换等变性如何支持不同特征语义间的泛化，也需通过正文核对。 作者报告：在 OGBN-Arxiv 上预训练、并在 27 个节点分类基准上评估时，Recurrent GVT 相对先前完全归纳图模型 GraphAny 提升 +8.93%，并比 12 个分别调优的 GNN 至少高 +3.30%。摘要未明确这些差值对应的指标、汇总方式，以及百分比还是百分点，因而不能进一步解释为 Accuracy 的绝对提升。各基准划分、调优条件、消融及统计信息尚未验证。摘要提供了代码与数据入口，但其内容和可复现性尚未核验。 平台推测（待验证）：若将 EEG 通道作为节点，跨设备通道配置与节点特征维度变化可能与本文的异构图输入问题形成对应。可考察复用 GVT 的置换等变映射，但需改造 EEG 图构建、时间信息编码和任务输出；原文的节点分类与常见 EEG 图级分类并不相同。低信噪比、跨被试差异及小样本可能削弱迁移效果，置换等变性也不能自动解决通道解剖含义与特征语义错配。一个可证伪的小实验是在固定跨被试划分下设置受控通道删减，对比迁移版 GVT 与匹配训练预算的图模型，检验性能退化是否更小。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。