SMGRL：可扩展的多分辨率图表示学习

基于摘要分析。SMGRL 面向一般图上的节点表示学习，针对 GCN 捕获长程依赖时需要增加层数、进而引发过平滑及计算开销，以及图中节点依赖使小批量训练困难的问题，提出可扩展的多分辨率表示学习框架。 其核心机制是在原图的低维粗化版本上训练，再利用图的自相似性，将训练得到的算法应用于多个分辨率，最后聚合不同分辨率的节点嵌入，以同时表征长程与短程依赖。作者将该框架描述为模型无关、可用于现有 GCN；这一适用范围仍需结合正文中的接口与实验核对。摘要未给出粗化规则、自相似性的具体条件、嵌入聚合方式或训练目标。 作者报告，实验中分类 Accuracy 得到改善，且未带来高计算成本；但摘要未提供数据集、划分协议、对照基线、具体数值及资源测量条件，因此尚不能判断收益幅度或适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为电极或脑区节点及其连接构成的图，多分辨率聚合可能用于兼顾局部连接与远距离依赖。可复用部分是粗化训练与跨分辨率嵌入聚合流程；需要改造的是 EEG 图构建、节点特征及任务监督。其关键假设是粗化后仍保留与任务相关的结构，且不同分辨率之间具有足够自相似性；低信噪比连接、跨被试拓扑差异、通道较少或训练数据不足均可能使该假设失效。可在固定 Cross-subject 划分和同一 GCN 基线上，对比原图训练与 SMGRL 流程，记录同一任务指标、训练时间和峰值显存，并检验粗化程度对结果的影响。已有 EEG 相关工作尚未检索确认。