UniNet：基于 Metropolis-Hastings 采样的可扩展网络表示学习

基于摘要分析。本文研究图网络上的可扩展网络表示学习（NRL），针对随机游走模型多样、游走生成采样效率不足的问题，提出 Metropolis-Hastings 边采样器与随机游走模型抽象，并实现统一框架 UniNet。其主要对象是一般图网络的结构表示，而非 EEG 或 BCI 信号解码。 在机制上，随机游走捕获网络结构，再由 word2vec 模型学习低维表示。作者提出的抽象允许用户通过动态边权和随机游走状态定义不同的转移概率；配套边采样器支持从未归一化概率分布中采样。作者报告，该采样器具有向任意离散概率分布收敛的理论性质，并可实现常数时间复杂度采样。摘要未展开该复杂度对应的计算环节、前提条件及达到目标分布所需的混合成本，需结合全文理解，不能据此认为完整游走生成或模型训练均为常数时间。 作者报告，在十一项真实世界数据集上评估了五种基于随机游走的 NRL 模型，结果支持 UniNet 在十亿边规模网络上的效率。摘要未提供数据集名称、具体效率指标、硬件条件、基线设置及表示质量结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被构造成通道或脑区连接图，可考虑复用其随机游走抽象和采样模块，以评估图表示生成成本；仍需定义连接边权、状态及下游监督任务。低信噪比可能使连接估计不稳定，跨被试通道差异可能破坏图结构可比性，而小规模 EEG 图未必能抵消采样框架的额外开销。一个可检验的小实验是在固定连接图、转移分布与嵌入训练设置下，对比 UniNet 采样器和直接采样的耗时、经验转移分布偏差及下游解码表现。原领域效率不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。