DrGNN：结合对比学习的深度残差图神经网络

基于摘要分析。本文研究深度图神经网络中节点表示趋同的过平滑问题，将其与表示矩阵的维度坍塌联系起来，并提出 DrGNN，通过保留拓扑的残差连接与结构引导对比学习共同缓解这两个问题。 核心机制是从节点表示矩阵的秩解释过平滑：表示向量局限于较低维空间，可能伴随节点间可区分性的下降。作者认为，普通残差连接和常规对比学习未充分考虑图结构约束，因而效果次优。DrGNN 的残差连接旨在使低秩隐藏表示接近满秩输入特征；结构引导对比学习则约束相似表示的形成，使其对应于具有相似局部连接的近邻。具体残差运算、对比样本构造及损失形式尚未验证。 作者报告，在多个真实世界数据集上，DrGNN 优于所比较的先进深度图表示学习基线。摘要未提供数据集名称、任务、划分协议、指标及提升幅度，因此不能量化效果，也不能判断不同图规模或网络深度下的稳定性。实验协议、消融及统计信息尚未验证。作者提供了代码链接，但运行环境、超参数和结果复现情况仍待核对。 平台推测（待验证）：若将 EEG 通道或脑区作为节点，深层图传播也可能损失节点可区分性，因此上述机制可作为 EEG 图建模的待检验方案，而非已证实的 BCI 改进。迁移依赖明确的节点特征与图连接定义；可尝试复用残差和结构约束，但需改造 EEG 图构建及对比邻居选择。低信噪比、跨被试连接差异、通道配置变化和小数据条件可能使结构约束强化伪相关；输入特征的秩条件也需先核查。一个可证伪的小实验是：在固定 Cross-subject 划分、图构建与训练预算下，对比普通残差、DrGNN 残差及加入结构引导对比学习的版本，同时检查分类指标、表示有效秩和节点可区分性，判断秩改善是否确实伴随任务收益。相关 EEG 工作尚未检索确认。