CrossGMN：用于跨架构权重空间变换的图元网络

基于摘要分析。本文研究如何直接利用已训练网络的参数，为不同架构的目标网络生成或更新权重，主要面向模型压缩等跨架构变换，而非 EEG/BCI。作者提出 CrossGMN，通过联合处理源网络和目标网络初始化，使跨架构权重映射具备明确的置换对称性。 核心机制是将变换写成双输入算子：输入已训练源网络与目标网络初始化，利用源网络信息细化目标权重。该算子对源网络的神经元置换保持不变，对目标网络的神经元置换保持等变；CrossGMN 通过保持这些对称性的跨网络消息传递实现联合处理。作者报告，在一般位置假设下，CrossGMN 对紧集上的连续跨架构算子具有通用逼近能力；具体假设及证明边界尚需全文核对。 作者在模型压缩中用 CrossGMN 预测较小网络的参数，以加速后续知识蒸馏。作者报告，在涵盖二维和三维 INRs，以及 MLPs、CNNs 和 Vision Transformers 图像分类的实验中，蒸馏加速最高达 8.89×；无需重新训练的跨数据集迁移实验报告 3.78× 加速，并报告单个模型可将异构源架构压缩至共同目标架构。摘要未给出具体数据集、加速计时口径、目标性能匹配条件与成本摊销方式，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若可获得同类任务下多个已训练 EEG 网络及其参数，跨架构权重变换可能用于小型解码器的蒸馏初始化。可复用的是双网络表示与对称性约束；需改造的是 EEG 架构的图表示、通道语义及任务监督。低信噪比、跨被试差异和可用源模型数量不足可能使权重迁移失效。一个可检验的小实验是在固定跨被试划分下，对比 CrossGMN 初始化与随机初始化的小型目标网络，在相同蒸馏预算下测量 Accuracy 和达到相同 Accuracy 所需时间，并单独计入元网络成本。该迁移假设并非本文已验证结果，相关 EEG 工作尚未检索确认。