图域适应并不止于表征学习

基于摘要分析。本文研究在节点属性与图结构同时发生偏移时，如何将有标签源图的知识迁移至无标签目标图。作者提出 EviGDA，在图表征适应之外引入独立训练的无图局部专家，并在推理阶段融合两条预测路径，以利用可能被单一图传播路径遗漏的互补证据。 机制上，图感知专家执行消息传递与熵感知边缘分布对齐；无图局部专家仅使用源域节点特征及标签学习，不进行图传播或目标域对齐。两者独立优化，仅在推理时通过任务级常数权重的概率混合组合，不采用联合训练、学习式路由或目标伪标签。其核心区别不是进一步强化图表征对齐，而是保留不依赖图结构的预测路径，以应对两类专家在拓扑偏移下可能不同的失效模式。 作者报告，在十个数据集、16 个迁移任务上，EviGDA 优于所比较的最先进基线。摘要未给出数据集名称、具体指标、提升幅度、划分方式或混合权重的确定方法；实验协议、消融及统计信息尚未验证，尚不能判断收益主要来自专家互补、模型组合还是特定任务设置。 平台推测（待验证）：若将 EEG 通道或其他分析单元构造成图，并以有标签源域与无标签目标域进行域适应，该机制可能用于检验图连接偏移是否使消息传递路径失效，而局部特征仍保留可预测信息。可复用的是独立专家与推理概率混合，需改造的是 EEG 特征、图构建和输出粒度；低信噪比、跨被试特征偏移、通道不一致及小样本均可能使两条路径同时失效。一个可检验的小实验是在固定跨被试划分下，对照图专家、无图专家及其常数权重混合，并控制图连接扰动，检验混合收益是否随拓扑偏移变化；权重选择不得使用目标测试标签。已有相关 EEG 工作尚未检索确认。