课程引导的动态异构网络自监督表征学习

基于摘要分析。本文研究节点与边随时间演化的动态异构网络表征学习，提出 Transformer 模型 DHG-BERT，通过网络课程构造训练数据，结合自监督学习与面向任务的微调，学习网络结构及其时间变化。主要验证对象是真实文献网络中的研究者合作预测，而非神经信号或 BCI。 机制上，作者通过数据重构，使模型从较易理解的关系逐步学习复杂关系；自监督阶段用于捕捉结构特征与结构的时间变化，随后根据领域特点或目标任务，围绕特定 meta-path 进行微调。摘要提及自监督的 pre/post-learning，但未明确阶段安排、课程难度定义、重构目标及损失形式，这些细节尚未验证。 作者报告，在真实文献网络的研究者合作预测任务中，平均 Accuracy 为 0.94，并称相对现有模型的优势最小为 0.13、最大为 0.35。摘要未说明这些差值的具体计算口径，不能直接改写为相对百分比提升。数据集名称、时间划分、对照模型、平均方式、消融及统计信息尚未验证，因此不能据此判断跨数据或跨任务泛化能力。 平台推测（待验证）：若 EEG 任务已有可解释的多类型节点、关系及时间演化图结构，课程式关系学习与结构—时间自监督目标可能值得借鉴；这一假设依赖图构造和 meta-path 具有明确意义，而不是直接将连续 EEG 输入文献网络模型。可复用的是课程学习与表征学习思路，需改造节点和边定义、时间尺度及任务目标。低信噪比可能使估计的连接关系不稳定，被试差异、通道变化与小样本也可能削弱效果。一个可检验的小实验是在固定 EEG 图构造和跨被试划分下，对比有无课程机制的相同模型，检查其是否稳定改善同一任务指标。相关 EEG 工作尚未检索确认。