PlanE：平面图上的表示学习

基于摘要分析。本文研究平面图的表示学习，目标是在保持计算可行性的同时，学习能够区分非同构平面图的完整图不变量。作者受 Hopcroft 和 Tarjan 的经典平面图同构算法启发，提出 PlanE 框架，并报告其在平面图基准上的性能表现。 核心问题是表达能力：标准图神经网络通过迭代变换计算节点表示，所得图级函数具有同构不变性，但这并不意味着它能区分所有非同构图。本文利用平面图这一特殊图类存在高效同构判定算法的性质，设计能够学习完整不变量的架构。这里的“完整”针对平面图，而非任意一般图；也不能直接等同于下游预测任务的性能保证。摘要未披露具体结构、训练目标及完整性结论所需条件，相关理论与实现细节尚未验证。 作者报告，所得模型架构在已有平面图基准上取得多项最先进结果，并具有实际可扩展性。摘要没有提供基准名称、指标数值、数据划分、对照模型或资源开销，因此目前无法核对性能提升的幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 图表示能够明确构造成平面图，PlanE 的图结构区分机制或可用于检验现有图神经网络的结构表达瓶颈。该假设依赖平面图结构，不能仅凭电极位于头皮表面就认定功能连接图满足条件。可复用的是平面图表示学习机制，需要改造的是 EEG 到图的构造及任务读出模块；强制平面化可能丢失重要连接，低信噪比、跨被试结构变化及小数据也可能使更强表达能力无法转化为泛化收益。一个可检验的小实验是在固定且明确满足平面性的 EEG 图构造下，以相同跨被试划分比较 PlanE 与标准图神经网络，并检查结果对图构造扰动的敏感性。该建议不是本文已验证的 BCI 结果，已有 EEG 相关工作尚未检索确认。