通过图表示学习在图数据上进行交互式视觉模式搜索

基于摘要分析。研究面向包含多个独立图的数据库中的示例式子图模式搜索，提出人机协同的可视分析系统 GraphQ，并以 NeuroAlign 改善匹配结果的一对一节点对应，支持用户验证与解释检索结果。主要应用对象是程序工作流中的可复用子程序分析，以及图像语义场景图搜索，并非 EEG 或 BCI 解码。 核心机制是使用图神经网络（GNN）将图编码为定长潜向量，在潜空间执行子图匹配，以支持快速交互查询。针对匹配结果中准确节点对应难以获得的问题，作者提出用于节点对齐的 GNN NeuroAlign。系统还提供查询编辑器、多尺度结果可视化，以及通过附加约束细化结果的用户反馈机制。具体网络结构、训练监督、损失函数及约束如何进入检索过程，摘要未说明。 作者报告，在摘要所述定量实验中，NeuroAlign 相较基线 GNN 的节点对齐 Accuracy 提升 19%–29%，相较组合算法最高加速 100 倍；摘要未明确前者是相对提升还是百分点差异，也未提供数据集、划分、基线配置及计时条件，因此不能据此作跨协议比较。作者报告，领域专家参与的定性研究支持两个使用场景的有效性；专家人数与研究流程尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被构造成具有可比较节点语义的通道或脑区连接图，子图检索与节点对齐可能用于探索重复连接模式；可复用的是检索与交互验证框架，图构建、边权表达及对齐监督则需改造。低信噪比、跨被试连接差异、通道缺失和小数据可能破坏模式稳定性。可先在固定通道定义下，对连接图施加可控噪声与节点缺失，比较 NeuroAlign 和基线的节点对齐 Accuracy 及检索耗时，检验其鲁棒性；这不构成 BCI 有效性证据，已有 EEG 相关工作尚未检索确认。