Node2Net：面向高表达能力图表示学习的节点特定参数化

基于摘要分析。该研究针对图表示学习中对称性约束与表达能力之间的权衡，提出 Node2Net：为每个节点配置一个小型可训练神经网络，以参数化函数而非静态嵌入向量表示节点，从而建模非线性特征交互与自适应变换。主要研究对象是通用图学习，并非 EEG 或 BCI。 机制上，Node2Net 将节点表示从向量扩展为可训练函数。作者声称，这种节点特定参数化能够突破 1-WL 的不可区分性，并具备表示任意复杂节点级变换的通用逼近能力；这些结论所依赖的节点身份、输入域与理论条件尚未验证。作者还称，该方法不依赖特定模型或任务，不改变 GNN 骨干的传导式或归纳式泛化性质，计算与内存成本随节点数线性增长。如何生成或分配新节点的参数、参数是否跨图复用，以及线性成本对应的具体假设，需查阅全文确认。 作者报告，在多个基准上，Node2Net 相较节点特征学习方法、传统消息传递 GNN 和近期 Graph Transformers 均有改进。摘要未提供基准名称、任务、划分、指标或具体数值，因此无法判断改进幅度及适用范围；实验协议、消融及统计信息尚未验证，代码与复现配置亦未确认。 平台推测（待验证）：若将 EEG 通道作为图节点，节点特定函数可能用于刻画不同通道的异质性，但原领域有效不等于 BCI 有效。迁移假设依赖通道身份稳定、节点特征可比及足够训练数据；可复用的是节点参数化思想，需改造的是跨被试通道对应和新通道参数分配。低信噪比、小数据或通道配置变化可能导致过拟合。一个可证伪的小实验是在固定通道配置、固定数据划分和同一 GNN 骨干下，对比共享参数与 Node2Net，并加入参数量匹配对照，分别检验被试内和跨被试表现。相关 EEG 工作尚未检索确认。