揭示双曲图学习中的问题

基于摘要分析。本文研究双曲表示是否确实能改善图学习任务，以及图数据的层级结构和几何指标能否支持使用双曲空间。主要贡献是重新比较欧氏与双曲模型，分析现有研究中的基线、建模假设及几何度量问题，并提出一个参数化基准数据集族，用于检验图神经网络、尤其是双曲图神经网络的适用条件。 作者报告，在相同环境中充分训练、且参数量相近的条件下，简单欧氏模型在多数比较中达到或超过所考察的双曲图表示学习模型；讨论涉及节点分类和链接预测。作者报告，这种现象也出现在此前依据 Gromov δ-hyperbolicity 被认为高度适合双曲表示的图上，包括完美树。该结论针对所考察模型和实验条件，不能外推为所有双曲模型或任务都不具优势。 作者将问题归纳为三类：基线呈现不充分、算法构造中的建模假设有误，以及用于刻画图数据几何性质的指标可能造成误导。摘要未给出具体模型、数据集名称、性能数值或参数化基准的生成规则，因而尚不能核对各项批评的适用范围。实验协议、消融及统计信息尚未验证；尤其需要从全文确认训练预算、调参条件与各项几何度量如何对应实际任务表现。 平台推测（待验证）：若 EEG 方法以通道或功能连接构图，并以层级性为理由采用双曲表示，本文可提供评估设计上的参考，而不是已验证的 BCI 算法改进。可检验的假设是：固定构图方式与跨被试划分后，匹配参数量和调参预算的欧氏模型仍可能达到相近表现。低信噪比及被试间连接结构差异可能削弱几何假设，需另行控制；相关 EEG 工作尚未检索确认。