有向图的节点表示学习

基于摘要分析。本文研究有向图的节点表示学习，核心贡献是为边方向所诱导的源端与目标端角色建立独立的嵌入空间，并利用 alternating random walk（交替随机游走）构造角色特定的节点邻域，以保留有向关系的语义。 方法机制：同一节点在关系中可以承担不同角色，作者据此分别训练其源端与目标端表示，而非将两类角色合并。作者认为，既有方法可能未充分编码边方向，或其方向编码难以跨任务泛化；本文同时提供方法的理论解释。摘要未给出随机游走转移规则、训练目标、负采样方式及不同任务如何使用两类嵌入，这些细节尚未验证。 实验与评估：作者报告，在多个真实世界数据集上的链接预测、节点分类和图重建任务中，所学表示具有较好的稳健性与跨任务适用性，并在节点分类任务上持续优于所有所比较的基线。作者还讨论既有有向图评估的局限，并提出链接预测和图重建的评估策略。摘要未提供数据集名称、划分、指标、具体分数及稳健性测试条件，实验协议、消融及统计信息尚未验证，不能据此量化优势。 平台推测（待验证）：该机制可对应到以脑区或电极为节点、以定向连接为边的 EEG 图表示问题，假设源端与目标端角色具有可辨识的任务信息。可复用的是角色分离和邻域采样思路；需改造的是定向连接估计、边权处理以及跨被试节点对应。其依赖可靠的有向图结构，而 EEG 低信噪比、通道配置差异及小样本可能使方向估计不稳定。一个可证伪的小实验是：在固定连接估计流程和跨被试划分下，比较角色分离表示与忽略方向的表示，并增加边方向打乱对照，检验收益是否确实来自方向信息。原图学习任务的有效性不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。