利用子图学习面向节点对的表征以预测链接符号

基于摘要分析。本文研究带符号图中的链接符号预测，提出 Subgraph-based link Sign Prediction（SSP），以目标节点对周围的子图学习面向节点对的表征，而非独立学习两个节点的表征后再依据相似度预测正负链接。 核心机制包括：通过基于重要性的采样提取目标节点对周围的信息性子图；利用节点标记方案编码子图的结构与符号信息；再采用 self-pruning contrastive learning，应对正负符号类别不平衡并学习更均衡的表征。其主要方法价值在于把预测单位从单个节点转向具有局部上下文的节点对，并将任务表述为子图分类。具体采样规则、节点标记定义、对比学习损失及 self-pruning 操作尚未验证。 作者报告，在真实世界数据集上的实验中，SSP 持续且显著优于所比较的先进基线。摘要未提供数据集名称、划分协议、评价指标、效果幅度或显著性检验细节，因此不能据此判断优势大小及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 功能连接研究具有明确的正负边定义，且任务确实是预测未知连接符号，SSP 的局部子图与节点对表征机制可能具有借鉴价值，但这不是已验证的 BCI 解码方法。可复用部分是节点对邻域提取与结构编码，需改造连接构建、符号语义及采样规则；EEG 低信噪比、参考方式、通道差异和小样本可能使局部符号结构不稳定，相关性的正负也不能直接解释为兴奋与抑制。一个可检验的小实验是在预先固定的 EEG 连接构建流程下，遮蔽待预测边的符号，按被试隔离训练与测试，对比节点表征基线与子图表征，并检查类别不平衡下的表现。已有 EEG 相关工作尚未检索确认。