无监督网络表示学习方法的全面比较

基于摘要分析。本文针对无监督网络表示学习（UNRL）缺乏统一比较基础的问题，提出基于节点上下文的统一分析框架，并通过多种图结构和下游任务比较不同方法的表现。主要研究对象是通用图的节点表示，而非 EEG 或 BCI。 作者认为，多数 UNRL 方法都显式或隐式地建模并利用节点上下文，因此可将随机游走、矩阵分解和深度学习方法纳入统一的上下文优化框架。研究据此归纳方法的共性与差异，并尝试用这些差异解释下游表现；摘要未给出具体目标函数及各方法的对应推导。 作者报告，在涵盖 9 种 UNRL 技术、11 个具有不同结构属性的真实数据集，以及节点分类和链接预测两类任务的实证比较中，没有一种方法始终明显胜出，方法选择取决于嵌入方法特性、任务和底层图结构。作者还讨论常见评估陷阱并提出实验设计与结果解释建议。具体数据集、划分、指标、调参预算、消融及统计信息尚未验证，不能据此形成方法排名。 平台推测（待验证）：若 EEG 分析已将通道或脑区组织为图，并具有可定义的节点上下文，该框架或可用于比较不同图嵌入假设；可复用的是上下文分析和评估思路，需改造的是图构建、上下文定义及下游任务接口。假设节点上下文对 EEG 任务有用，可在固定图构建与被试划分下，以相同嵌入维度和调参预算比较不同上下文策略，并检验边扰动或通道缺失后的稳定性。低信噪比、跨被试图结构差异及小样本可能使上下文不稳定；原文结果不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。