多粒度复杂网络表示学习

基于摘要分析。本文研究复杂信息网络的节点表示学习，提出多粒度复杂网络表示学习模型 MNRL，旨在将拓扑结构与节点附加属性联合编码为低维向量，同时保留原网络的信息与潜在相似关系；研究对象是信息网络，而非 EEG 或 BCI。 核心机制：作者认为，仅利用单一粗粒度拓扑或文本信息不足以描述复杂网络，因为节点结构与属性相互依赖。MNRL 将两类信息融合到相同粒度的语义空间，并通过由细到粗的多粒度处理细化网络表示。摘要未说明粒度如何定义、融合算子、模型结构、损失函数及训练方式，这些实现细节尚未验证。 结果与证据：作者报告，在真实世界数据集上的节点分类与链接预测任务中，方法取得有效结果，能够捕获多粒度信息并保留拓扑与节点属性的潜在相似性。摘要未提供数据集名称、划分方式、对照基线、具体指标或数值，因此无法判断收益大小及其适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被表示为具有节点属性的图，例如以通道为节点、以信号特征为属性、以通道间关系为边，则结构与属性联合建模可能对应单独使用连接结构或通道特征的信息不足问题。可复用的是多粒度融合思路，需改造的是图构建、节点属性以及面向 EEG 任务的输出与监督方式。该假设依赖可靠的图结构和属性；低信噪比、被试差异、通道配置变化及小数据均可能使融合放大伪相关。一个可检验的小实验是在固定的 Cross-subject 划分下，对照仅拓扑、仅属性及联合多粒度表示，保持预处理与分类器一致，检验融合是否带来稳定收益。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。