全局通信还是图特定记忆？

该研究考察可扩展 Graph Transformer 在单个固定大图的传导式学习中，所谓全局通信是否主要体现为对该图特定信息的记忆，并提供直接优化共享记忆的初步对照证据。基于摘要分析，未取得论文全文。 核心机制：作者指出，许多可扩展 Graph Transformer 组件可表述为容量固定的共享记忆，类似 virtual nodes，用于提供全图信息的压缩表示。在语言模型等输入持续变化的场景中，这类机制可学习压缩当前输入；但在单个固定图的传导式设置中，共享记忆在测试时可被视为常量，因此其作用未必能直接归结为对变化输入的全局通信。 结果与解释：作者报告，在上述静态图设置下，直接优化共享记忆的表现与全局通信方法相近，并据此提出，普通局部消息传递模型也可能将类似信息嵌入权重。这是初步证据，不等于证明全局通信无效；作者的主要质疑针对此类设置是否适合评估全局通信能力。具体任务、数据集、划分、基线实现、指标与差异幅度未在摘要中提供，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一评估问题可能对应 EEG 图模型中固定通道图上的跨被试或跨会话泛化瓶颈。假设模型依赖固定图结构记忆，其静态图表现未必能延续到通道配置或连接结构变化的输入。可复用的是“全局通信与直接优化共享记忆”的对照思路；需改造的是 EEG 节点特征、图构建与数据划分。低信噪比、小数据和被试差异可能使共享记忆吸收训练分布特征，而非可迁移关系。一个可检验的小实验是在同一 EEG 任务和一致划分下，对比局部消息传递、全局通信及直接优化共享记忆，并分别评估固定图与受控图变化条件；效果属于待验证假设，已有 EEG 相关工作尚未检索确认。