SignGT：用于图表示学习的有符号注意力图 Transformer

基于摘要分析。本文研究通用图表示学习中注意力聚合对不同图频率信息的保留问题，提出 Signed Attention-based Graph Transformer（SignGT），结合有符号自注意力与结构感知前馈网络，学习同时包含长程依赖和局部拓扑的节点表示；研究对象并非 EEG 或 BCI。 核心机制：作者将图 Transformer 的自注意力解释为全连接图上的两步聚合，认为正值注意力倾向于执行平滑操作、保留低频信息，而异配图等场景还需要高频信息。为此，SignSA 根据节点对的语义相关性产生有符号注意力值，以自适应保留不同频率信息；SFFN 则引入邻域偏置以保留局部拓扑。摘要未提供注意力计算公式、归一化方式、损失函数或具体训练设置，这些内容尚未验证。 结果与证据范围：作者报告，在节点级和图级任务上，SignGT 优于所比较的图 Transformer 与 GNN。摘要未列出数据集、划分、指标、具体分数及对照配置，因此尚不能判断优势幅度或适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区作为节点、以空间或功能关系构图，SignSA 可能用于检验单纯平滑是否削弱具有判别价值的节点间差异。该假设依赖可靠的节点特征与图结构；图上的高频变化不等同于 EEG 时间频率中的高频振荡。可复用模块包括 SignSA 与 SFFN，需改造 EEG 特征编码、构图及任务输出。低信噪比可能使有符号聚合放大噪声，跨被试关系变化、通道差异与小数据也可能降低稳定性。一个可证伪的小实验是在固定 EEG 特征、图结构和跨被试划分下，对比正值注意力与 SignSA，并控制 SFFN 配置，检验差异是否稳定。已有 EEG 相关工作尚未检索确认。