双重图表示学习

基于摘要分析。本文研究图节点表示如何适应未见节点及不同节点上下文，提出上下文感知的无监督双重编码框架 CADE，将实时邻域与邻居注意力表示结合，并保留已知节点的额外记忆。 原论文的主要对象是通用图表示学习，而非 EEG 或 BCI。作者指出，多数图嵌入框架具有直推式特征，难以推广到未见节点或在不同图之间学习表示；已有归纳式方法虽能处理未见节点，但对节点上下文及双重表示学习的考虑不足。CADE 的机制线索是结合当前邻域信息与已知节点记忆，但摘要未说明两种编码的具体定义、注意力计算、记忆更新方式、损失函数以及训练和推理流程，尚不能据此重建实现。 作者报告，通过与当时的先进方法比较验证了方法有效性。摘要未提供数据集、划分协议、对照名称或数值指标，因此不能确认未见节点与跨图泛化分别获得了怎样的收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 被表示为以通道为节点、以功能连接为边的图，实时邻域与节点记忆的组合可能用于建模连接变化及相对稳定的通道特征。可考虑复用邻域聚合思路，但图构建、节点身份对应及记忆更新需适配 EEG；该假设依赖有意义的图结构和可对应的节点身份。低信噪比可能使邻域不稳定，跨被试或通道配置变化可能使记忆失配，小数据也可能限制表示学习。可检验的小实验是在同一 EEG 数据与固定划分下，对比包含记忆和不包含记忆的实现，并观察通道缺失时下游性能的变化；实施前须取得全文并核对方法定义。已有 EEG 相关工作尚未检索确认。