NoiseHGNN：用于含噪异构图表示学习的合成相似图神经网络

基于摘要分析。NoiseHGNN 研究链接与结构错误干扰下的异构图表示学习，通过节点特征合成高阶相似图，并联合学习原始图与合成图的表示，以改善下游任务表现。其主要研究对象是含噪异构图，而非 EEG 或 BCI。 方法动机是：在同构图中，特征相似节点往往直接相连，因此相似图可用于辅助纠正结构；但异构图中的相似节点未必存在直接连接，不能直接沿用这一思路。NoiseHGNN 先计算所有节点的原始特征相似度，构造基于相似性的高阶图，再使用共享参数的相似性感知编码器嵌入原始图与合成图。它不采用图对图监督，而是同步监督两类图嵌入预测相同标签。此外，方法从合成图提取目标图，与原始图中基于元路径提取的图进行结构对比，以学习互信息。具体损失形式、图构造阈值及训练流程尚未验证。 作者报告，该方法在多个真实世界数据集的含噪异构图任务上优于此前方法，并称若干含噪数据集存在性能提升；摘要未明确数据集名称、指标、划分及噪声强度，因此不能据此量化可复现的收益。实验协议、消融及统计信息尚未验证。摘要提供了代码与数据集仓库地址，但其可运行性、依赖与实验配置尚未核验。 平台推测（待验证）：假设 EEG 任务已具备有意义的多类型节点、关系及训练标签，该方法或可用于检验特征相似性是否能缓解异构图连接噪声。可复用部分是双图共享编码与共同标签监督；需改造节点特征、关系类型、元路径及图构造规则。低信噪比可能使特征相似图放大伪相关，被试差异、通道配置变化与小数据也可能削弱其可靠性。一个可证伪的小实验是在固定跨被试划分下，仅用训练数据确定建图规则，对比原始异构图模型与加入合成图的模型在受控边扰动下的表现。该假设不构成已证实的 EEG/BCI 效果，相关 EEG 工作尚未检索确认。