保持传递性的图表示学习：连接局部连通性与基于角色的相似性

基于摘要分析。本文研究通用图表示学习中局部连通性与远距离节点角色信息难以统一的问题，提出 Unified Graph Transformer Networks（UGT），将局部与全局结构融合为固定长度向量表示。原论文的研究对象是图结构数据，而非 EEG 或 BCI。 机制上，UGT 通过识别局部子结构、聚合各节点 k-hop 邻域特征学习局部结构，再为结构相似的远距离节点构造虚拟边，以捕获长程依赖。其 self-attention 编码节点对的结构距离与 p-step 转移概率；另设学习转移概率的自监督任务，用于融合局部与全局结构特征，并支持向下游任务迁移。摘要未给出具体损失形式、虚拟边筛选规则及训练规模要求。 作者报告，在真实世界基准数据集的多种下游任务上，UGT 显著优于包含先进模型的对照，并称其区分非同构图对的表达能力达到三阶 Weisfeiler–Lehman 同构测试（3d-WL）水平。摘要未列明数据集、具体任务配置、指标或数值，因此不能量化提升；表达能力结论的假设与证明条件，以及实验协议、消融及统计信息尚未验证。摘要提供了源码仓库，但实现与复现条件尚未核验。 平台推测（待验证）：若将 EEG 通道及其连接关系表示为图，结构相似性虚拟边可能连接局部邻接之外、具有相似拓扑角色的通道；这一假设不等于已证实的 BCI 效果。可考虑复用虚拟边构造和结构注意力编码，但需改造 EEG 节点特征、连接估计及转移概率定义。低信噪比可能制造伪结构相似性，跨被试和通道配置变化可能破坏角色对应，小数据也可能使全局结构估计不稳定。一个可证伪的小实验是在固定 EEG 图构建方式与 Cross-subject 划分下，对比仅局部图模型和加入结构相似性虚拟边的版本，并核对噪声扰动下的分类表现与稳定性。相关 EEG 工作尚未检索确认。