Network2Vec：基于网络空间映射的节点表示学习

基于摘要分析。本文研究复杂网络的节点表示学习，提出轻量模型 Network2Vec，通过图空间与嵌入空间之间的语义距离映射，为节点学习定长向量。其主要研究对象是通用图网络，而非 EEG 或 BCI 信号。 机制上，作者指出，现有方法主要强调保留节点邻近性，却未强制图空间与嵌入空间共享代数统计性质；Network2Vec 利用群同态性质连接两个空间。这一思路的阅读重点是空间映射如何定义、保留哪些结构性质，以及它与常规邻近性约束的区别。摘要未给出语义距离、群运算、损失函数、优化过程及计算复杂度的具体定义，相关机制尚未验证。 作者报告，在节点分类、链接预测与社区可视化任务上，该方法表现出有效性和效率；相较作者所称的最先进模型，节点分类和链接预测的提升最高分别为 19% 和 7%。摘要未说明这些百分比对应的评价指标、计算口径、数据集、划分或对照模型，因此不能解释为准确率提升的百分点，也不能据此进行跨协议比较。作者还报告其耗时仅为部分知名方法的一小部分，但硬件、运行规模和计时条件尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为电极或脑区节点及其连接构成的图，空间映射机制可能作为节点嵌入模块的候选，但这依赖于可定义且稳定的图语义距离，而不是原始时序信号即可直接使用。可复用部分是图到向量的映射思想；需改造连接估计、边权处理及与下游任务的接口。低信噪比、跨被试连接差异、通道变化和小样本可能使映射保留噪声结构而非任务信息。一个可检验的假设是：在固定 EEG 建图规则与 Cross-subject 划分下，Network2Vec 相较仅保持邻近性的节点嵌入能改善同一下游任务；可通过统一分类器并扰动连接估计检验收益及稳定性。已有 EEG 相关工作尚未检索确认。