图表示学习：从核方法到神经网络

基于摘要分析。这篇学位论文研究通用图结构数据的表示学习，围绕最优指派图核、动态图演化预测，以及消息传递神经网络（MPNNs）的计算简化与结构噪声鲁棒性提出一系列方法；原研究对象并非 EEG 或 BCI。 核方法部分在共同空间内比较节点嵌入，通过聚类建立节点层次结构，再寻找使节点对总体相似性最大的最优匹配。该框架也适用于向量集合。作者报告，在图分类、链接预测和文本分类任务上验证了该核的有效性，并认为其核特征映射比原始嵌入更具表达力；摘要未提供具体数据集、指标或数值。 动态图部分使用 MPNNs 将演化图序列编码为潜在嵌入序列，通过循环架构预测下一时刻嵌入，再以生成模型重建图。作者报告，在动态图拓扑预测中，该方法优于随机图模型等传统对照，但具体评估协议尚未验证。 基础机制部分区分依赖图结构的聚合步骤与处理节点特征的更新步骤。作者报告，在所考察实验中，保留非线性激活时，更新步骤可显著稀疏化，部分情况下甚至可省略。进一步的随机矩阵理论分析指出：在其理论模型及足够强的结构扰动条件下，结构噪声可掩盖原本有信息的节点特征。作者据此引入节点特征核，并报告其在图结构受到强扰动时改善了模型表现。理论假设、扰动方式、消融与统计信息尚未验证，不能将该结论扩展为所有 MPNNs 的普遍性质。 平台推测（待验证）：若 EEG 被建模为通道图，连接估计误差可能对应这里的结构噪声。可复用的候选是节点特征核与结构扰动分析，但需针对 EEG 的时频特征、连接估计及通道布局改造。低信噪比可能同时损害节点特征与边估计，跨被试差异、通道变化和小样本也可能使核相似性失效。可检验的小实验是假设节点特征核能降低错误连接的影响：固定同一 EEG 任务与跨被试划分，逐级扰动训练及测试图的边，比较原始 MPNN 与加入节点特征核的版本，观察任务指标随扰动的变化。该实验仅为迁移建议，相关 EEG 工作尚未检索确认。