SPREAD：用于表示学习的谱响应图扩散

基于摘要分析。本文研究图表示学习中的扩散机制，针对统一或预定义扩散过程未充分考虑异质频谱分布的问题，提出 SPREAD，使前向扰动与反向重建共同适应图的频谱性质。主要研究对象是图表示及节点分类，而非 EEG 或 BCI。 前向过程采用由 Bernstein polynomials 参数化的可学习谱响应函数，调节不同频率分量的噪声强度；反向过程使用频率感知的谱重建目标，依据所学谱响应对频带加权，引导信息性频率分量的恢复。其方法重点不只是改变去噪过程，而是联合调整扰动与重建。作者报告，理论分析表明随着多项式阶数增加，模型能够一致逼近任意连续谱分布；具体假设、逼近对象的严格定义及理论边界尚需正文核对。 作者报告，在节点分类基准上，SPREAD 相较基线取得有竞争力的表现，消融研究支持两项机制的有效性。摘要未提供数据集名称、划分方式、指标数值、基线配置及训练细节，实验协议、消融及统计信息尚未验证，不能据此判断提升幅度或跨任务稳健性。 平台推测（待验证）：若将 EEG 通道及其连接构造成图，自适应图谱扰动可能为不同空间结构成分设置不同的噪声与恢复权重，但图谱频率不等同于 EEG 时间频率，不能直接解释为对生理频带的建模。迁移依赖稳定的图结构及合适的训练监督，可考虑复用谱响应与加权重建模块，但需改造 EEG 图构建和任务输出。低信噪比、跨被试连接差异、通道配置变化及小数据均可能使谱响应拟合噪声。一个可证伪的小实验是在固定 EEG 图构建、被试内划分与相同训练预算下，对比统一扰动、仅谱响应扰动及完整联合机制，并检验通道扰动后的稳定性；这不是已验证的 BCI 结果，相关 EEG 工作尚未检索确认。