利用可扩展流式张量分解对多方面图进行建模与挖掘

基于摘要分析。这篇学位论文研究如何从静态及动态多方面图中发现社区和可解释模式，以及如何在数据持续到达时增量更新张量分解，避免每次从头计算。主要研究对象是多方面图与流式张量，EEG 仅作为时空数据及可能需要超越秩一分量建模的应用示例，摘要未提供 EEG/BCI 有效性证据。 静态图挖掘方面，SMACD 基于 CP 分解，将多方面图信息与半监督矩阵—张量耦合结合，用于发现重叠及非重叠社区；RICHCOM 使用 block term decomposition 提取可解释结构。POPLAR 在 PARAFAC2 分解中引入 Laplacian 正则化，以利用辅助图信息；CAPTION 联合分解多视图辅助信息与 PARAFAC2 数据。NED 则依据交互密度发现用户行为共聚类，并用节点属性解释这些模式。 流式处理方面，SAMBATEN、OCTEN 面向流式 CP 分解，SPADE 面向不规则流式张量的 PARAFAC2 分解，OnlineBTD 面向超越秩一分量的流式分解；APTERA 用于估计不规则张量数据的秩。其共同关注点是在已有分解基础上更新结果，同时控制计算与存储开销。摘要未给出定量结果、具体数据划分或运行条件，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 可组织为通道、时间及试次等多维结构，增量分解可能有助于降低重复处理开销，PARAFAC2 与 block term decomposition 则可分别作为不规则数据和更丰富成分结构的候选建模工具。可复用的是分解与更新机制，仍需明确 EEG 的张量构造、通道对应及成分选择；低信噪比、跨被试变化和短时小样本可能使低秩成分不稳定。一个可检验的小实验是在同一 EEG 数据流及固定预处理下，对比增量分解与每次全量重算的重构误差、耗时和内存占用，再检验成分稳定性；这不等同于验证 BCI 解码收益。相关 EEG 工作尚未检索确认。