HHGT：用于异构图表示学习的层次化异构图 Transformer

基于摘要分析。本文研究异构信息网络（HINs）的表示学习，针对邻居距离与节点类型语义在聚合中被混合的问题，提出 Hierarchical Heterogeneous Graph Transformer（HHGT），以分层组织和聚合邻域信息。 核心机制是构造 (k,t)-ring neighborhood：先按与目标节点的图距离划分互不重叠的 k-ring 邻域，再在各环内按节点类型分组。随后，Type-level Transformer 在每个环内聚合不同类型的节点，Ring-level Transformer 再聚合不同距离的环。其方法重点是显式区分距离与类型两个语义维度，而非将一定距离内的邻居统一处理。摘要未披露具体注意力计算、位置编码、训练目标及邻域截取方式。 作者报告在下游任务中与 14 个基线进行了比较；在 ACM 数据集的节点聚类任务上，相对最佳基线，NMI 和 ARI 的提升分别最高达 24.75% 和 29.25%。摘要未明确这些百分比的计算口径，不能改写为百分点；数据划分、基线配置、重复实验、消融及统计信息尚未验证，也不能据此判断距离分环与类型分组各自的贡献。 平台推测（待验证）：若 EEG 任务能构建具有明确节点类型与边语义的异构图，例如将通道与频段作为不同类型实体，则距离—类型分层聚合可能提供一种结构化表示方式；这是假设，不是本文已验证的 BCI 结果。可复用部分是邻域分组与两级聚合机制，需改造图构建、节点特征及任务输出。主要风险包括低信噪比导致边不稳定、图距离缺乏可解释语义，以及跨被试通道差异和小数据条件下的过拟合。一个可检验的小实验是在固定 EEG 数据划分、图结构和训练预算下，对比完整分层聚合、仅按距离分组及仅按类型分组的表现，并考察边扰动后的稳定性。相关 EEG 工作尚未检索确认。