HeteGraph-Mamba：通过选择性状态空间模型进行异构图学习

基于摘要分析。该研究针对异构图中不同类型节点的长程依赖建模，以及选择性状态空间模型（SSSMs）与异构图数据的适配问题，提出 heterogeneous graph mamba network（HGMN）。核心贡献是两级 tokenization：先捕获同一节点类型内部的长程依赖，再捕获所有节点类型之间的依赖。 机制与创新：该方法将异构图学习与选择性状态空间模型结合，以分层处理类型内和跨类型关系。作者将其定位为利用 SSSMs 进行异构图学习的首次探索，但该优先性声明尚未独立核对。摘要未说明图节点的排序、拓扑如何进入 token 表示、类型与边信息的编码方式，以及训练目标和推理流程，这些实现细节尚未验证。 结果与证据：作者报告，在异构图基准上与 19 种被其称为 state-of-the-art 的方法比较，HGMN 在准确性和效率方面均优于对照。摘要未提供基准名称、任务、数据划分、具体指标数值或效率测量条件，因此不能据此判断优势幅度或不同协议下的可比性。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：若 EEG 任务能够构造具有明确节点类型和关系的异构图，两级 tokenization 可能用于区分类型内关联与跨类型依赖，从而探索长程关系建模；这不等于已证实的 BCI 效果。可尝试复用类型内、跨类型的组织机制，但需改造 EEG 特征表示、图构造与节点排序，并核对原方法对监督信息和数据规模的依赖。低信噪比、跨被试差异、通道配置变化及小样本条件可能使图关系不稳定。一个可证伪的小实验是在固定 Cross-subject 划分与相同 EEG 特征、图构造下，比较两级 tokenization、仅类型内建模和常规异构图基线，同时记录任务指标、运行时间与显存占用。已有 EEG 相关工作尚未检索确认。