面向文本属性图表示学习的高频感知层次化对比选择性编码

基于摘要分析。本文研究文本属性图（TAGs）的节点表示学习，提出 HASH-CODE，将图神经网络（GNNs）与预训练语言模型（PLMs）统一建模，以促进图结构信息与节点文本信息的多粒度交互。 机制与创新：作者指出，现有 GNNs 对节点文本的上下文化建模不足，而 PLMs 的序列架构难以直接刻画图结构。不同于在 PLM 上直接叠加 GNN 层的级联架构，HASH-CODE 使用五个自监督优化目标，促进结构与文本信号相互增强。摘要未给出这五个目标的具体定义、粒度划分、损失权重及训练流程。作者还提出，现有对比目标学习的是增强图的低频分量，并据此设计高频分量（HFC）感知对比学习目标，使嵌入更具区分性；该结论的理论假设、频率定义与适用范围尚需核对。 证据与边界：作者报告在六个真实世界基准上开展实验并支持方法有效性，同时提供理论分析与条目嵌入可视化。摘要未列出基准名称、任务、数据划分、对照方法或具体指标，因此不能量化提升，也不能判断不同协议下的可比性。实验协议、消融及统计信息尚未验证，代码与复现资源状态亦尚未验证。 平台推测（待验证）：若 EEG 研究任务具有明确的图结构及与节点对应的文本信息，该方法的跨模态耦合机制可能具有参考价值；可复用部分是图—文本联合表示与对比目标，需改造节点定义、文本监督和图构建方式。这里的图谱高频不等同于 EEG 时间信号的高频，不能直接据此推断脑电频段收益。低信噪比、跨被试图结构差异及小数据可能使高频目标放大噪声。一个可证伪的小实验是在固定图—文本构建和跨被试划分下，对比加入与不加入 HFC 目标的同一模型，并检验图扰动下的表现。已有 EEG 相关工作尚未检索确认。