Node4All：超越数据集边界的节点表示学习

基于摘要分析。该研究针对图节点表示学习通常需要逐数据集训练和超参数调优、难以跨数据集复用的问题，提出 Node4All，以单一固定模型处理不同图数据集，无需针对目标数据集进行专门优化。其主要贡献是 Channel Graph Transformer（CGT）与基于合成图的自监督学习框架。 机制方面，作者将 CGT 作为兼容不同图数据集的模型组件，并通过合成图上的自监督学习获得跨数据集泛化能力。摘要未说明 CGT 如何处理不同节点特征、图结构及维度，也未给出合成图生成分布、自监督目标、训练规模或推理流程；这些细节尚未验证。“适用于任意图数据集”是作者提出的能力主张，不能由有限基准直接推定为对所有图分布均有效。 作者报告，在节点分类任务的 25 个基准上，与 21 个基线比较，Node4All 在使用单一固定模型且不进行逐数据集调参的条件下综合排名第 5。该排名并非 Accuracy 或其他单项指标；具体数据集、划分方式、排名汇总规则及基线调参条件尚未验证。作者还报告，搭配适当预测器后，模型支持 one-shot 与 in-context learning，并优于近期图基础模型，但摘要未提供预测器结构、对照模型名称或具体分数。摘要提供了代码与模型检查点地址，实际复现条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务可构造成以通道为节点、信号特征为节点属性的图，跨图复用机制可能对应不同通道配置下反复训练的成本问题。这一假设依赖 EEG 图结构与特征能被 CGT 接收，且合成图训练分布覆盖相关结构；可尝试复用表示模型，但需要改造信号特征、构图及任务预测器。低信噪比、跨被试差异、通道缺失和小样本监督均可能导致迁移失败。一个可检验的小实验是在固定 Cross-subject 划分下冻结 Node4All，仅训练相同任务预测器，与匹配标签预算的图表示基线比较，并测试通道减少后的性能变化。已有 EEG 相关工作尚未检索确认，原论文结果不构成 BCI 有效性的证据。