SpaceGNN：面向极少标签节点异常检测的多空间图神经网络

基于摘要分析。SpaceGNN 研究极少标签条件下的节点异常检测（NAD），针对既有方法主要使用单一欧氏空间表示图、并依赖合成数据补充监督信息的问题，提出结合空间投影、距离感知传播和多空间集成的图神经网络。其主要研究对象是图上的异常节点识别，并非 EEG 或 BCI 任务。 机制方面，作者通过经验分析考察不同表示空间对节点表示的作用，据此设计 Learnable Space Projection，将节点编码到适合任务的空间；提出 weighted homogeneity（加权同质性），并称通过经验与理论分析验证其作为信息传播系数的有效性，由此构建 Distance Aware Propagation；Multiple Space Ensemble 则用于融合多空间信息。摘要未给出具体空间类型、投影公式、损失函数或标签使用方式，这些细节尚未验证。 作者报告，在 9 个真实数据集的极少标签节点异常检测实验中，SpaceGNN 相对最佳竞争方法的 AUC 和 F1 平均提升分别为 8.55% 和 4.31%；摘要未明确这些提升是相对百分比还是百分点，也未列出数据集、标签预算、划分及基线名称，不能据此跨协议比较。作者还报告，多空间集成比所比较的数据增强技术更有益。实验协议、消融及统计信息尚未验证；摘要提供了代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务可合理构造成以通道或片段为节点的图，并具有少量异常节点标注，多空间表示与距离感知传播可能值得评估；这是假设，不代表已证实的 BCI 效果。可复用部分是空间投影与传播机制，需改造的是图构建、节点特征及异常标签定义。低信噪比、跨被试差异、通道布局变化与小样本可能使图距离或传播权重失真。一个可检验的小实验是在固定 EEG 图构建、标签预算及按被试隔离的数据划分下，对比单一欧氏空间基线与上述模块的增量效果，统一报告 AUC 和 F1。已有 EEG 相关工作尚未检索确认。