WL切分特征用于约束优化算法选择

基于摘要分析。该研究针对约束编程中的算法选择问题，将问题实例转换为图，并利用 Weisfeiler-Lehman（WL）图核提取结构特征，以补充人工设定的实例级统计量。核心贡献是基于切分的表示 WLc，用于刻画结构划分，为算法选择提供更细致的预测信号。 机制与对照：摘要以 1-WL 对标准消息传递 GNN 图区分能力的界限为背景，提出无需训练 GNN 的 WL 特征路线。这里的贡献是结构表示与特征提取，而非新的 GNN 架构。图转换规则、切分的具体定义、WL 特征构造过程及下游训练细节尚未验证，不能据摘要认定 WLc 具有更强的图区分能力。 评估与结果：作者在 2023–2025 MiniZinc Challenges 的实例上，分别评估最大化 Borda count 分数和最大化预测准确率两个任务，并使用 Support Vector Machines、Random Forests 与 Multi-Layer Perceptrons。作者报告，采用 SVM 时，基于切分的特征优于 fzn2feat；采用 RF 和 MLP 时，结果更接近。摘要未提供数值、实例数量或数据划分，不能量化收益，也不能把 Borda count 与预测准确率视为同一指标。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，将显式结构划分编码为无需训练 GNN 的特征，可能适合小数据下的 EEG 图分类；但原问题依赖约束实例的图结构和算法选择监督，EEG 则需要重新定义节点、连接与切分，并改造预测目标。低信噪比、跨被试连接差异及通道配置变化可能使结构特征不稳定。一个小规模可证伪实验是在固定 EEG 构图规则与跨被试划分下，比较普通 WL、切分式 WL 特征及简单统计特征，统一使用 SVM，检验切分是否带来稳定增益。该设想不是本文已验证结果，相关 EEG 工作尚未检索确认。