重新审视关系深度学习的简单基线

基于摘要分析。本文研究关系数据库预测任务是否需要复杂架构，核心贡献是将固定低通特征传播、MLP 与 Correct-and-Smooth 组合为简单的关系深度学习（RDL）基线，分别利用目标实体属性、关系属性及历史标签中的预测信号。 原研究对象是表示为时序异构图的关系数据库，而非 EEG 或 BCI。方法先在关系实体图上进行固定低通特征传播，再训练 MLP 预测；随后在连接目标实体的任务特定元图上，利用 Correct-and-Smooth 和历史标签修正、平滑预测。该流程将特征聚合与标签传播分开，有助于分析性能究竟来自关系信息、历史标签，还是可学习的复杂架构。 作者报告，在 RelBench 的分类与回归任务中，使用邻域过滤特征的 MLP 在多数任务上优于仅使用目标实体特征的 MLP，并能恢复异构 GNN 的相当一部分性能；Correct-and-Smooth 利用历史标签后进一步改善结果。摘要未提供具体指标、数值或任务划分，不能据此认定其全面替代异构 GNN。作者指出，关系实体图并不直接指定目标实体之间的连接，因此标签传播需要另行构造元图，规范化元图构造是关键挑战。传播参数、时间切分、历史标签的可用范围、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有可合理定义的试次或记录关系图，可检验“固定特征传播后接简单预测器”是否构成有竞争力的基线；这不等同于已验证的 EEG 效果。迁移需重定义图边与时间约束，并确保标签传播仅使用部署时可得的历史标签。低信噪比可能造成错误邻接，跨被试差异可能引入负迁移，小数据下图构造也可能不稳定。一个可证伪的小实验是在固定跨会话划分下，对比原始特征 MLP、传播特征 MLP，以及仅使用训练期历史标签的修正版本。已有 EEG 相关工作尚未检索确认。