WL-Align：通过正则化表示学习与 Weisfeiler-Lehman 重标记实现跨网络用户对齐

基于摘要分析。本文研究跨网络用户身份对齐，针对与已标注锚点存在长程连接的节点难以精确匹配的问题，提出 WL-Align，将跨网络 Weisfeiler-Lehman 重标记与保持邻近关系的表示学习交替进行，以学习更具区分性的节点表示。 核心机制是扩展 Weisfeiler-Lehman 同构测试：跨网络重标记阶段迭代执行基于锚点的标签传播和基于相似度的哈希，利用已知锚点与其他节点的连接关系；表示学习阶段保留各网络内部的二阶邻近关系，并以跨网络 Weisfeiler-Lehman 哈希标签进行正则化。其对齐监督依赖已知锚点，输入依赖网络连接结构；具体损失形式、优化流程和计算规模尚未验证。 作者报告，在真实与合成数据集上的实验中，WL-Align 优于所比较的方法，尤其在“exact matching”场景获得显著性能提升。摘要未给出数据集名称、锚点比例、划分方式、评价指标或具体数值，因此尚不能判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区表示为图节点，并具有可靠的跨记录节点对应锚点，该机制可能用于研究跨被试或跨设备图表示对齐，但这不等同于用户身份匹配，也不是已证实的 BCI 改进。可复用的是锚点传播与结构正则化思路；需改造 EEG 图构建、边权处理和锚点定义。低信噪比、通道缺失及被试间连接差异可能导致错误传播，小样本也可能使相似度估计不稳定。一个可证伪的小实验是在具有已知节点对应关系的 EEG 图中施加通道置换、缺失与边扰动，比较加入该正则项前后的对应恢复效果，检验收益是否随噪声迅速消失。已有 EEG 相关工作尚未检索确认。