高阶模型是否因高阶信息而胜出？重新审视超图学习中的性能增益

基于摘要分析。本文研究超图学习中高阶模型的性能优势是否真正来自高阶信息，提出在保留低阶（成对）信息的同时扰动高阶信息的受控性能归因框架，以区分性能增益与增益来源。 作者报告，在覆盖三类任务的25个常用超图学习基准上，经常观察到高阶模型原本优于低阶基线，但在高阶信息被扰动后仍保留大部分优势。这提示，观察到的优势中有相当部分可能无需原有高阶信息即可实现；摘要未提供任务名称、具体指标、数据划分及各基准结果，不能据此量化优势保留比例或推广至所有超图任务。 作者进一步考察低阶机制的解释力，报告通过增强成对权重、增加成对特征传播步数以及加入归一化，可缩小剩余性能差距。本文的重点不是提出更强的高阶网络，而是检验性能归因，并推动采用更强低阶基线及更能检验高阶信息价值的评估基准。扰动如何实现、成对信息如何严格保持、配置匹配、消融及统计信息尚未验证。 平台推测（待验证）：该框架可用于审查将EEG通道或脑区组织为超图的模型，但前提是明确超边所表达的群组关系，以及需要保持的成对连接或权重。可复用归因思路，需改造超边扰动与成对信息保持机制；低信噪比、通道差异、跨被试变化及小数据可能使高阶关系估计不稳定，也可能掩盖真实贡献。一个可检验的小实验是在固定被试划分、特征和训练预算下，对比原始超图、保持成对信息的扰动超图与增强低阶基线，检验扰动是否显著降低高阶模型的优势。已有EEG相关工作尚未检索确认。