HeSRN：通过槽感知保留网络进行异构图表示学习

基于摘要分析。该研究针对异构图表示学习中 Graph Transformers 自注意力的二次计算复杂度，以及不同节点类型语义难以有效建模的问题，提出 HeSRN，以槽感知结构编码和 retention 机制兼顾异构语义表达与计算效率；其主要任务是异构图节点分类，而非 EEG/BCI 解码。 机制上，槽感知结构编码器将异构特征投影到独立槽中，显式解耦节点类型语义，再通过槽归一化与基于 retention 的融合对齐分布，以缓解强制统一特征空间带来的语义纠缠。模型以 retention 编码器替代自注意力；作者称该机制可在线性时间复杂度下建模结构与上下文依赖，并通过多尺度 retention 层联合捕获局部结构信号与全局异构语义。具体计算形式、训练目标及复杂度成立的条件尚未验证。 作者报告，在四个真实世界异构图数据集的节点分类实验中，HeSRN 的准确率优于所比较的异构图神经网络与 Graph Transformer 基线，并具有更低计算复杂度。摘要未列出数据集名称、划分、具体指标数值、基线配置或资源开销，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 任务能构造具有明确节点类型和关系的异构图，槽感知编码可能用于分离不同类型的信息，retention 模块可能降低长程依赖建模开销。但这依赖合理的图结构、类型定义及足够训练数据，需改造输入特征、图构建与任务输出，不能将电极差异直接等同于异构语义。低信噪比、跨被试分布变化、通道缺失和小数据均可能削弱收益。可在固定划分、图结构和训练预算下，对比完整模型、去除槽解耦的版本及自注意力版本，检验任务指标与实测时间、显存是否同时改善；已有 EEG 相关工作尚未检索确认。