[Phase 3] Architecture: Port Senior ZEBRA (DisConv) Model

[arthur0824hao]

Goal

引入學長在 Copied_resources/senior_exp/ 開發的 ZEBRA 模型架構 (核心為 DisConv)。

Context

ZEBRA 架構在特徵融合上採用了 DisConv (透過 Self, Outgoing, Incoming views 計算差異)，以及層間融合權重 (Layer Fusion)。我們需要將這個模型轉移到標準化 Phase 4 訓練管線上，評估在 F1 0.6~0.7 目標下的表現。

Tasks

1. Model Porting: 在 Phase4/preprocess_lib/models.py 中新增 zebra 和 DisConv 類別。
2. Attention & Feature Concat: ZEBRA 依賴 tanh(x_i - x_j) 或相似機制處理特徵差異，需確保 Edge Index 的順序正確處理 (in/out-degree 關係)。
3. 訓練整合: 將新模組整合至 experiments.py 中以供訓練。
4. 與 PU Loss 結合: 測試 ZEBRA + PU_Loss 這個學長提出的最佳組合，並對比現有 baseline。

Acceptance Criteria

• ZEBRA 模型成功在現有 Feature Bank 資料上訓練並完成推理。
• ZEBRA 的效能評估有具體的 Baseline 實驗對比。