Edgeless-GNN：无边节点的无监督表示学习

基于摘要分析。该研究面向网络中新加入、尚无连接的节点，解决常规 GNN 无法对其直接进行邻居消息传递的问题，提出无监督归纳表示学习框架 Edgeless-GNN；原研究对象是一般网络节点嵌入，并非 EEG 或 BCI。 核心机制是根据节点属性相似性构建代理图，作为 GNN 的计算图；训练时利用已知网络结构，并通过拓扑感知损失编码节点之间的正关系、负关系及二阶关系。对于无边节点，模型通过扩展计算图归纳推断其嵌入。其关键思路是区分用于消息传递的属性代理图与提供训练约束的已知拓扑，而不是要求新节点已经具有真实连接。该方法虽称无监督，仍依赖节点属性与训练阶段可用的网络结构。 作者报告，在所评估的多种下游机器学习任务中，Edgeless-GNN 对无边节点的表现优于所比较的先进归纳网络嵌入方法，并展示了拓扑感知损失的有效性、对不完整节点属性的稳健性及随图规模线性扩展的特征。摘要未提供数据集、具体任务、划分协议、指标数值或复杂度测量条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 图学习场景中存在属性可用但连接未知的新节点，该机制可能为构建计算邻域提供参考。可复用部分是属性代理图与拓扑约束训练思路，需改造节点定义、属性相似度及拓扑关系来源；低信噪比、跨被试分布变化、通道差异和小样本均可能使代理邻域失真。一个可证伪的小实验是在固定 EEG 图任务及数据划分下，训练时保留部分节点的拓扑，测试时将预留节点的连接隐藏但保留属性，对比属性模型与代理图方法的下游表现，并检验属性扰动后的稳定性。这仅是机制迁移假设，已有 EEG 相关工作尚未检索确认。