通过事件嵌入学习异构信息网络表示

基于摘要分析。本文研究异构信息网络（HINs）的表示学习，提出 Event2vec，旨在将关系的数量与属性共同纳入对象相关性建模，而不只依赖关系数量。其主要贡献是以事件表示多个对象之间的完整语义单元，并利用事件嵌入辅助学习对象的低维向量表示。 机制上，Event2vec 定义事件驱动的一阶与二阶邻近性，用于刻画关系数量及属性所决定的对象相关性。作者称给出了 Event2vec 在嵌入空间保持这些邻近性的理论证明；具体定义、证明假设、优化目标、训练流程及计算开销尚未验证。这里的“事件”是网络中的语义关系单元，不应直接等同于 EEG 事件标记或 ERP。 作者报告，在四个真实世界数据集上的网络重构、链接预测和节点分类三类任务中，Event2vec 相较所比较的先进算法具有优势。摘要未提供数据集名称、数据划分、对照方法或具体指标，实验协议、消融及统计信息尚未验证，因此不能量化收益或判断其适用边界。 平台推测（待验证）：若 EEG 研究已具备由被试、试次、刺激等不同类型对象及其关系构成的异构网络，可假设事件嵌入有助于表达多对象语义关联；可复用的是关系组织与对象表示学习机制，需改造的是事件定义、关系属性和下游任务接口。该方法并非直接处理 EEG 波形，低信噪比造成的关系构建误差、跨被试差异、通道不一致及小数据稀疏性均可能削弱收益。一个可证伪的小实验是在固定跨被试划分和相同下游分类器下，对比保留事件属性与仅保留关系数量的表示，检验事件语义是否带来稳定增益。已有 EEG 相关工作尚未检索确认。