edge2vec：利用边语义学习节点表示

edge2vec 研究生物医学异构知识图谱中的节点表示学习，核心贡献是将边的关系语义纳入表示学习，而不是仅处理图的连接结构。基于摘要分析，该研究的主要对象是基因、蛋白质、药物、疾病与表型等实体及其关系，并非 EEG 或 BCI 信号解码。 方法上，edge2vec 通过 Expectation-Maximization 训练边类型转移矩阵，再利用该矩阵，通过随机梯度下降学习异构图的节点嵌入。其机制重点是利用不同边类型之间的转移信息，使表示能够反映基因共表达、生化调控、抑制或激活等关系语义。转移矩阵的具体估计方式、节点嵌入目标及训练流程尚未验证。 作者在生物医学实体分类、compound-gene bioactivity prediction 和生物医学信息检索三类任务上进行验证，并报告 edge2vec 在这些任务中显著优于所比较的当时先进模型。摘要未提供数据集名称、划分方式、基线清单、评价指标或具体数值；实验协议、消融及统计信息尚未验证，因此不能据此判断性能增益的幅度及适用边界。 平台推测（待验证）：若 EEG 研究已构建具有明确关系类型的异构图，例如将电极位置关系与不同定义的功能连接区分为边类型，边类型转移建模可作为候选表示模块。该假设依赖可靠的边类型定义，并不意味着其已具备 EEG 解码效果；图构建、嵌入目标与下游解码接口仍需适配，低信噪比、跨被试连接差异及小样本可能使关系语义不稳定。可在固定被试内划分和同一下游分类器下，比较保留、忽略及打乱边类型的节点表示，以检验增益是否确实来自边语义。已有 EEG 相关工作尚未检索确认。