非对称图表示学习

基于摘要分析。本文研究有向图中的非对称信息传播，提出在 GNN 中为每个节点分别设置 incoming embedding 与 outgoing embedding，以区分节点的接收和发送角色，支持有向图的节点级与图级任务。主要研究对象是通用有向图，而非 EEG 或 BCI。 机制上，模型分两步聚合与更新 incoming 和 outgoing 特征，并根据起点的 outgoing embedding 与终点的 incoming embedding 计算有向边的存在似然。所有边的对数似然被用作正则化项；作者认为该约束能够缓解深层 GNN 的过平滑。摘要未给出具体似然形式、与任务目标的组合方式及消息传递公式，相关实现尚未验证。 作者报告，在多个真实世界有向图上的节点级和图级任务中取得出色表现，但摘要未列出数据集、划分协议、对照基线或量化指标，因此尚不能判断收益幅度及其适用范围。实验协议、消融及统计信息尚未验证，复现还需核对边方向定义、节点输入、训练监督及正则化权重。 平台推测（待验证）：若 EEG 任务已具备可靠的有向连接图，双角色嵌入可能用于保留无向化处理中丢失的方向信息；可复用的是角色分离和有向边约束，需改造的是 EEG 节点特征与连接图构建。该假设依赖边方向具有稳定意义，低信噪比、跨被试连接差异、通道配置变化及小数据都可能削弱效果。可在固定数据划分下，对同一 EEG 图分类任务比较有向双角色模型与无向化基线，并以随机打乱边方向为对照，检验收益是否确实来自方向信息。已有 EEG 相关工作尚未检索确认。