TAGA：通过协同图与文本的相互转换实现文本属性图自监督学习

基于摘要分析。该研究面向文本属性图（Text-Attributed Graphs，TAGs）的表示学习，针对既有方法对节点文本间语义关系利用不足、较依赖监督标签的问题，提出自监督框架 Text-And-Graph Multi-View Alignment（TAGA），联合建模文本语义与图结构。 核心机制是构建两个互补视图：Text-of-Graph 根据图拓扑将节点文本组织为结构化文档；Graph-of-Text 将文本节点及其连接转换为图数据。TAGA 通过对齐两个视图的表示，学习联合文本与结构信息。作者还提出保持结构的随机游走算法，以支持大规模 TAGs 的高效训练。摘要未说明编码器、对齐损失、视图构造细节及随机游走的具体规则，这些实现条件尚未验证。 作者报告，在八个真实世界数据集的零样本与少样本评估中取得较强表现；摘要未列出数据集名称、任务、划分、指标数值或对照基线，因此不能据此量化优势。实验协议、消融及统计信息尚未验证，训练效率与复现资源也需查阅全文确认。 平台推测（待验证）：若 EEG 研究数据已具有有意义的图关系及配套节点文本，双视图对齐可能为标签有限条件下的多模态表示学习提供可检验的假设。其前提是文本与图结构确实提供互补信息；TAGA 并非原始 EEG 时序编码方法，迁移需要改造信号编码器，并明确文本、图与信号的对应粒度。低信噪比、跨被试差异、通道不一致及小数据可能使对齐依赖文本捷径或不稳定的图结构。可在固定跨被试划分下，对比仅信号、信号加图及加入文本对齐的模型，并用打乱文本对应关系作为对照，检验收益是否来自有效语义关联。上述迁移尚无本材料中的实验证据，已有 EEG 相关工作尚未检索确认。