基于异构匿名游走的异构结构表示学习

基于摘要分析。本文研究异构网络中节点的结构相似性表示，目标是刻画节点类型与连接结构共同形成的异构结构，而非 EEG 或 BCI 信号建模。作者提出 heterogeneous anonymous walk（HAW，异构匿名游走）及两个变体，并据此构建 HAW embedding（HAWE）及其变体。 核心机制是以 HAW 区分不同异构结构，再通过预测各节点邻域中出现的游走来训练节点嵌入，以数据驱动方式规避枚举数量极大的可能游走。摘要称 HAW 具有理论保证，但保证的具体命题、假设和边界，以及两个变体的定义、游走采样、损失函数与训练配置尚未验证。 作者报告在合成网络和真实世界网络上开展实验，构建异构结构学习基准；在这些实验条件下，所提方法相较经典同构及异构网络方法表现更优，并可应用于大规模网络。摘要未提供网络名称、任务与划分、评价指标、具体数值或资源开销，因此尚不能判断优势幅度及规模扩展条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 研究已构建具有明确节点类型及连接语义的异构图，HAW 的结构编码与邻域预测机制可能用于检验节点结构角色，而非直接替代时序解码。可复用部分是游走表征及预测思路，需改造部分是 EEG 图构建、节点类型定义和最终任务接口。低信噪比导致的边不稳定、跨被试通道差异及小数据下的游走分布稀疏都可能使其失效。一个小规模可证伪实验是固定 EEG 图构建与下游分类器，在同一跨被试划分下比较 HAW 与忽略节点类型的匿名游走表示，检验类型信息是否带来稳定增益；相关已有 EEG 工作尚未检索确认。