Local2Global：用于扩展图表示学习的分布式方法

基于摘要分析。Local2Global 研究大规模图表示学习的分布式扩展问题：先在重叠子图上独立学习局部表示，再通过群同步估计对齐局部表示的刚体变换，组合成全局一致的表示。核心贡献是将局部训练与全局对齐分离，使各子图训练期间无需同步模型参数。 技术机制上，输入图被划分为相互重叠的子图（patches），重叠部分提供局部表示之间的对应信息，用于估计最佳对齐的刚体变换。与需要训练期间参数同步的分布式方法相比，这一设计旨在降低通信协调成本，并面向无法整体装入内存、可能分布式存储的图。作者提出该框架原则上可用于扩展任意嵌入技术；但不同嵌入方法产生的局部表示能否仅靠刚体变换充分对齐，仍需结合正文与实验核对。 作者报告，在不同规模数据集的边重建与半监督分类任务上，该方法实现了规模与准确性之间的良好权衡，并展示了在网络安全图中突出显示异常的下游应用。摘要未提供具体数据集、划分、基线、数值结果或资源消耗；实验协议、消融及统计信息尚未验证，不能据此量化其加速收益或精度损失。 平台推测（待验证）：若 EEG 研究对象可组织为具有可靠重叠节点对应关系的大图，该机制可能用于分布式图表示学习，而非直接作为 EEG 解码器。可复用部分是子图独立训练和全局对齐；需改造图构建、重叠节点定义及局部嵌入目标。低信噪比、跨被试或通道差异可能破坏节点对应与局部几何一致性，小数据场景也未必有分布式收益。一个可检验的小实验是在固定 EEG 图、数据划分与嵌入方法下，对比整图训练和 Local2Global，记录下游任务表现、运行时间、峰值内存及重叠比例敏感性。该假设不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。