边属性二部图中的有效逐边表示学习

基于摘要分析。本文研究边属性二部图（EABGs）的边表示学习，主要面向垃圾评论检测、欺诈交易识别等边级分析任务，而非 EEG 或 BCI。作者提出 EAGLE，旨在从边的视角结合图结构与属性语义，同时区分二部图两类异质节点的影响。 核心机制是因子化特征传播（FFP）：作者以理论分析为基础，设计传播方案以纳入边及特征的长程依赖，并控制计算开销；进一步提出 dual-view FFP，分别考虑节点集合 U 与 V 对边表示的影响。摘要未提供传播公式、训练目标、复杂度表达式及具体推理流程，因此尚不能核实其效率优势的适用条件。 作者报告，在 5 个真实数据集的半监督边分类任务中，相比最佳基线，EAGLE 的 AP 与 AUC 增益分别最高为 38.11% 和 1.86%。摘要未明确这些百分比是相对提升还是绝对百分点差，也未说明两项最大增益是否来自同一数据集，不能直接合并解读。具体数据集、标签比例、划分方式、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 试次与通道构成二部图、以每个试次对应通道的时频特征作为边属性，FFP 或可用于探索共享试次与共享通道带来的不同依赖。但这需要重新定义边级预测目标，并不等同于常规试次级 BCI 解码；EEG 低信噪比、跨被试差异及小样本可能使传播放大噪声。可先在固定被试内划分下，以通道级伪迹识别为边分类任务，对比不传播、FFP 与 dual-view FFP，并隔离训练和测试试次以明确归纳评估条件。该方案仅为方法迁移假设，相关 EEG 工作尚未检索确认。