HINormer：基于 Graph Transformer 的异构信息网络表示学习

基于摘要分析。本文研究异构信息网络（HIN）的节点表示学习，提出 Graph Transformer 模型 HINormer，通过较大范围的聚合结合局部结构与异构关系信息，旨在缓解基于消息传递的图神经网络在表达能力、过平滑和过度挤压等方面的限制。 核心机制是以局部结构编码器和异构关系编码器辅助节点聚合，使表示同时包含图结构及异构关系信息。研究重点不是直接将同构图上的全局注意力照搬到 HIN，而是处理异构网络的数据特征。摘要未提供注意力计算、关系编码方式、训练目标、采样策略及计算复杂度，因此尚不能确认其实际聚合范围或扩展成本。 作者报告，在四个 HIN 基准数据集上的实验中，HINormer 优于所比较的当时最先进方法；摘要未列出数据集名称、任务、指标、数据划分或具体分数，不能据此量化优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能够构建具有明确节点类型或关系类型的图，异构关系编码与较大范围聚合可能为跨类型信息交互提供方法参考；这是假设，并非本文已验证的 BCI 效果。可复用的是结构与关系分开编码的思路，需改造的是 EEG 图构建、时序特征输入和任务监督。低信噪比下的伪连接、跨被试图结构差异、通道配置变化及小数据过拟合均可能削弱收益。一个可检验的小实验是在固定 EEG 数据划分、输入特征和训练预算下，对照同构图编码与保留异构关系编码的版本，检验关系类型是否带来稳定增益；已有 EEG 相关工作尚未检索确认。