用于自监督异构图表示学习的保留—掩码—重建模型

基于摘要分析。本文研究数据挖掘中的自监督异构图表示学习，提出 Reserving-Masking-Reconstruction（RMR）模型，旨在不依赖 metapath 的情况下利用多种节点与关系信息，降低中大型异构图表示学习的计算成本。 核心机制是在图掩码前保留待掩码目标节点的信息，再按照关系类型将保留后的图拆分为关系子图；随后在各子图中随机掩码目标节点，并通过重建不同关系子图中的被掩码节点建立自监督信号。与以 metapath 组织异构信息的方法相比，其主要设计区别是以关系子图承载异构结构，并试图减少掩码造成的拓扑信息损失。摘要未说明保留信息的具体形式、重建对象、损失函数或复杂度表达式，尚不能判断保留步骤如何影响重建难度。 作者报告，RMR 在中大型异构图上达到最先进结果，在小型异构图上取得有竞争力的结果，并提供了代码地址。但摘要未给出数据集、任务、划分、指标、基线及运行资源，性能优势及计算成本优势的适用条件尚未验证；实验协议、消融及统计信息也尚未验证。 平台推测（待验证）：若 EEG 数据已被构造成具有明确节点类型和关系类型的异构图，RMR 的关系分解与掩码重建机制可能用于学习多关系表示。该假设依赖有意义的异构图结构，而非直接适用于原始 EEG；可考虑复用关系拆分和重建框架，但需改造节点特征、关系定义及掩码单位。低信噪比可能使重建偏向噪声，被试与通道差异可能破坏关系语义，小数据条件下也可能只学到局部相关性。一个可证伪的小实验是在固定 EEG 异构图构造、编码器和跨被试划分的条件下，比较 RMR 与不含信息保留步骤的掩码重建，分别记录下游表现、训练耗时及显存，检验保留机制能否带来可重复收益。已有 EEG 相关工作尚未检索确认。