LUSTER：利用共享潜在空间表示的多层网络链路预测

基于摘要分析。本文研究多层网络中的缺失链路预测，提出端到端框架 LUSTER，结合各层内部表示与层间共享潜在表示，旨在利用网络层之间的耦合信息改善预测。主要研究对象是多层图结构，并非 EEG/BCI 解码或状态空间模型。 机制方面，LUSTER 包含四个模块：representation extractor 学习各网络层的层内表示；latent space learner 通过对抗训练提取跨层共享潜在空间表示；complementary enhancer 通过正交融合结合层内表示与共享表示；link predictor 使用增强后的表示预测缺失链路。相较于将多层网络合并为单层网络，或显式计算层内与层间相似度的方法，其核心思路是保留层内特征并学习层间共享信息。对抗目标、正交融合的具体数学形式及训练流程尚未验证。 作者报告，在多层网络链路预测实验中，LUSTER 优于所比较的方法，AUC 指标最高提升 15.87%。摘要未提供对应数据集、链路划分、负样本构造、具体基线及原始 AUC，亦未明确该提升属于相对百分比还是绝对百分点，因此不能据此推导绝对性能或跨协议优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 功能连接数据能够构成节点对应一致、按频段或条件区分的多层图，则共享潜在表示可能用于探索连接补全，而非直接证明 BCI 解码有效。可复用的是层内表示提取、层间共享学习与融合机制；需改造连接定义、边权处理及缺失链路的监督方式。低信噪比、连接估计不稳定、跨被试与通道配置差异，以及小数据下对抗训练不稳定，均可能削弱收益。一个可检验的假设是：在固定被试内数据划分和相同遮蔽链路协议下，完整 LUSTER 相较单层方法及移除共享学习模块的版本，能否改善留出链路的 AUC；应将该结果与下游 BCI 任务表现分开评估。已有 EEG 相关工作尚未检索确认。