BipNRL：通过二部图上的互信息最大化进行节点表示学习

基于摘要分析。本文研究无显式标签的二部图节点表示学习，提出 Bipartite Node Representation Learning（BipNRL），通过最大化节点表示与节点自身特征之间的互信息，面向节点分类与回归等下游任务学习嵌入，避免依赖全局摘要向量。 核心机制：作者认为，节点与图或子图信息之间的互信息最大化可能使图级信息压过节点局部信息，而全局摘要向量在图规模扩大时可能难以保留充分信息。BipNRL 改用节点自身特征作为互信息关联对象，并在投影图上引入解耦图上下文损失，以保留二部图结构。此外，方法使用基于注意力的邻域聚合，并调整邻域采样，以应对二部图中节点度数差异较大的情况。摘要未给出互信息估计方式、损失公式、投影构造或采样细节。 作者报告，该方法在多个数据集和多项下游任务中取得领先结果，但摘要未提供数据集名称、划分、对照方法及具体指标，因而尚不能判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。复现前需核对节点特征的可用性、图构建方式，以及各组件对节点级任务的独立贡献。 平台推测（待验证）：若 EEG 任务能够构造具有明确语义的二部图，例如通道与时间片段之间的关联图，节点自身特征驱动的自监督目标可能用于学习局部表示；这是假设，并非本文已验证的 BCI 效果。迁移时需改造节点特征、连边与下游读出方式，低信噪比、通道差异及小数据可能使互信息目标保留噪声而非任务信息。可在固定数据划分与图构建条件下，对照节点—自身特征目标与节点—全局摘要目标，检验跨被试表现及通道缺失时的稳定性。已有 EEG 相关工作尚未检索确认。