ACE：用于层次图表示学习的基于蚁群的多层次网络嵌入

基于摘要分析。该研究面向通用图的节点表示学习，试图弥补仅依赖局部邻域的网络嵌入方法对层次聚类结构刻画不足的问题，提出 ACE，将图的多层次聚类信息融入低维节点向量；研究对象并非 EEG 或 BCI。 机制上，ACE 先以基于蚁群的图粗化算法，依据节点关系构建多层聚类金字塔，再在图金字塔的多个层级生成嵌入向量，最后通过 PCA 降维融合为节点的最终表示。其可复用思路是在既有嵌入算法之外加入层次结构建模与融合流程；摘要未提供图粗化目标、层级设置、跨层节点表示对应方式及具体优化细节。 作者报告，在若干真实图数据集的节点分类任务中，ACE 可与 DeepWalk、Line、node2vec、SDNE 集成，Macro F1 的提升最高达 22%。摘要未说明这一数值对应的数据集、基线、划分及其为相对增幅还是百分点变化，因此不能据此作统一性能比较。数据集名称、实验协议、消融及统计信息尚未验证。作者提供了代码与数据的 GitHub 地址，但其可运行性尚未验证。 平台推测（待验证）：若 EEG 通道或功能连接图确实存在稳定的层次模块结构，可假设该粗化与多层融合机制有助于保留局部邻域以外的信息。可复用模块是图粗化和嵌入融合，需改造的是 EEG 构图、跨被试节点对应及下游任务接口；低信噪比、连接估计不稳定、通道配置差异和小样本均可能使粗化放大伪结构。一个可证伪的小实验是在固定 EEG 构图与同一跨被试划分下，对比单层嵌入与 ACE 多层嵌入，并加入打乱层次结构的对照，检验增益是否来自真实层次信息。已有 EEG 相关工作尚未检索确认。