View Space：跨任意图的表示学习

基于摘要分析。本文研究预训练模型如何在不重新训练的情况下泛化到未见图数据集，重点处理不同数据集中特征维度与语义不一致的问题。作者提出由图结构诱导、区别于特征空间的 view space，并据此构建 Graph View Transformation（GVT），用于跨异构特征图共享参数化映射。 核心机制与任务：作者将该框架实例化为 Recurrent GVT，主要研究对象是完全归纳式节点分类中的节点表示学习，而非 EEG 解码或 BCI。摘要认为图结构可提供统一表示所需的另一条表征轴，但未说明 view space 的具体构造、递归计算、损失函数和推理流程；这些内容尚需全文核对。 作者报告：在 OGBN-Arxiv 上预训练、随后于 27 个基准上评估的条件下，Recurrent GVT 相对此前的完全归纳式图模型 GraphAny 提升 +8.93%，相对 12 个分别调优的 GNN 至少提升 +3.30%。摘要未明确这些增幅对应的指标、聚合方式，以及百分比或百分点口径，因此不能将其直接解释为 Accuracy 的百分点提升。各基准划分、目标图信息可见范围、调优预算、消融及统计信息尚未验证。摘要提供了代码与检查点地址，但运行条件和复现结果尚未核验。 平台推测（待验证）：假设 EEG 能构造成具有可比结构意义的图，这种依赖结构而非统一特征维度的映射可能为不同通道配置之间的表示共享提供思路。可尝试复用 GVT 映射，但需要改造 EEG 特征、图构建与图级任务读出；原文的节点分类能力不能直接视作运动想象分类能力。低信噪比、跨被试连接结构变化及小数据下不稳定的建图均可能使该假设失败。一个可检验的小实验是在固定被试划分下比较不同通道子集的图表示迁移，冻结预训练映射，仅在源配置训练相同读出，并在未见配置评估；该实验是迁移假设检验，不等同于原文的完全归纳式节点分类协议。已有 EEG 相关工作尚未检索确认。