node2coords：基于 Wasserstein 重心的图表示学习

基于摘要分析。该研究面向通用图表示学习，针对节点表示难以解释、对图结构扰动不够稳健的问题，提出 node2coords，同时学习低维空间中的图结构模式与节点坐标；并非直接研究 EEG 或 BCI。 方法采用包含线性编码层和 Wasserstein 重心解码层的自编码器。输入为描述节点局部结构的连接描述符，模型学习一组图结构模式，并在解码端将节点连接描述符重建为这些模式的 Wasserstein 重心。重心表示中的最优权重构成节点的低维坐标，用于表达节点局部结构与各结构模式的接近程度；Wasserstein 距离用于在衡量接近程度时纳入底层图结构。其主要机制区别在于，节点坐标具有重心权重这一明确含义，而非仅作为无直接解释的嵌入向量。 作者报告，在所评估的图结构扰动和节点分类实验中，node2coords 学到的表示具有可解释性、对扰动较稳定，节点分类结果与先进方法相当或更优。摘要未提供数据集、划分协议、扰动类型、具体指标及数值，因此不能据此判断优势幅度；连接描述符定义、图上的运输代价、优化过程、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道视为节点、功能连接视为边，该机制可能用于学习可解释的连接结构表示，回应连接估计噪声引起的图不稳定问题。可复用重心重建与坐标解释机制，但需核对连接描述符及运输代价对有符号边、通道差异和跨被试图对应关系的适用性。低信噪比、小样本及连接估计偏差可能使结构模式反映噪声而非任务信息。一个可证伪的小实验是在固定通道、固定连接估计及 Cross-subject 划分下，对训练所得表示施加受控边扰动，比较其与预先指定的图嵌入基线在表示稳定性和下游分类指标上的变化。已有 EEG 相关工作尚未检索确认。