通过互信息最大化集成聚合子图的图表示学习

基于摘要分析。本文研究通用图数据的图级表征学习，提出借助一组子图增强图表示的自监督方法，以自回归方式生成子图，再用子图指导 Graph Neural Networks 学习原图表征；材料未涉及 EEG 或 BCI 实验。 方法以互信息最大化为目标，通过可学习的子图生成过程捕获图结构，并设计 attribute-conv、layer-conv 和 subgraph-conv 三类信息聚合器，从不同方面汇集原图信息。此外，作者提出 Head-Tail 对比构造，为对比学习提供丰富负样本。摘要未给出互信息目标的具体形式、子图生成约束、聚合器结构及负样本采样规则，尚不能判断各组件的独立贡献或计算开销。 作者报告，在无监督设置下，该方法在若干基准上取得新的最先进结果，并在半监督任务中与已有半监督方法比较。摘要未列出数据集、划分、指标、具体数值及基线配置，因此无法量化优势；实验协议、消融及统计信息尚未验证。作者称这些组件可推广到任意 Graph Neural Networks，这一适用范围仍需结合正文核对。 平台推测（待验证）：若将 EEG 通道或脑区作为节点、连接关系作为边，子图聚合可能用于学习局部连接模式与整体图结构之间的关系，但原方法依赖可用于对比学习的图样本及有意义的子图结构，所需数据规模尚不明确。可考虑复用聚合与对比学习模块，子图生成和图构建则需适配通道位置、连接估计及跨被试差异。低信噪比可能使子图捕获伪连接，小数据和通道变化也可能削弱对比学习效果。一个可证伪的小实验是在固定 EEG 图构建、骨干和跨被试划分下，比较不使用子图、随机子图与可学习子图，检验收益是否来自可学习子图机制。已有相关 EEG 工作尚未检索确认。