GRENADE：面向文本属性图自监督表征学习的图中心语言模型

基于摘要分析。本文研究文本属性图上的自监督表征学习，目标是获得可用于多种下游任务的表达性与泛化性表征。作者提出图中心语言模型 GRENADE，结合预训练语言模型与图神经网络，通过图中心对比学习和图中心知识对齐共同利用节点文本语义与结构上下文。 作者将现有方法的困难概括为结构上下文捕获不充分，或依赖任务特定训练标签。GRENADE 的主要机制是以两种图中心自监督算法优化语言模型与图神经网络的协同学习，而不是仅依靠文本或图结构中的单一信息。摘要未说明对比样本构造、知识对齐对象、损失形式、模型更新方式及推理流程，这些实现细节尚未验证。 作者报告，GRENADE 在多项实验中优于所比较的先进方法，但摘要未提供数据集、下游任务、划分协议、基线名称或数值指标，因此尚不能判断优势大小及适用范围。实验协议、消融及统计信息尚未验证；复现前需核对文本与图结构的可用范围、训练与测试节点的关系，以及两种自监督机制各自的贡献。 平台推测（待验证）：该方法的迁移前提是存在有信息量的文本属性与可信图结构，而非只有连续 EEG 信号。若 EEG 研究具有通道或脑区关系图，并有可用的通道描述、实验条件等文本属性，可假设其双模态对齐机制有助于联合表征；但需改造 EEG 时序编码及图构建模块，不能直接把语言模型当作 EEG 编码器。低信噪比、跨被试差异、通道配置变化与小数据规模可能削弱图结构稳定性，通用文本也可能不足以提供有效监督。一个可检验的小实验是在固定跨被试划分下，对比 EEG 图编码器、加入文本对齐、同时加入图中心对比学习三种设置，并核对文本是否包含目标标签信息；这仅是迁移假设，不是本文已验证结果。已有 EEG 相关工作尚未检索确认。