MARU：用于异构网络表征学习的元上下文感知随机游走

基于摘要分析。本文研究社会网络、引文网络等异构信息网络的节点表征学习，针对预定义 meta-path 或特定游走策略可能扭曲结构理解、传统随机游走偏向高度节点的问题，提出 Meta-context Aware Random Walks（MARU），结合双向扩展随机游走与元上下文感知 skip-gram 学习节点嵌入。 方法包含两个关键环节：先用 bidirectional extended random walks 降低经典随机游走的采样偏置，再以动态 meta-context 将节点类型等异构知识融入 skip-gram 表征学习。这里的“公平性”主要指不同度数节点在表征学习中的待遇，而非人口群体公平性。摘要未提供游走转移规则、动态上下文构造方式或具体优化目标，相关机制仍需正文核对。 作者报告，在三个真实世界的大规模公开数据集上，MARU 在多标签节点分类、节点聚类和链接预测任务中显著优于所比较的先进异构网络嵌入方法。摘要未列出数据集名称、划分、指标、具体分数及统计检验，因而无法判断优势幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：只有在 EEG 数据被明确构造成具有不同节点类型的异构图时，降低游走度数偏置、编码类型上下文的机制才具有可检验的迁移路径。可复用部分是游走采样与上下文嵌入框架，需改造部分是通道、频段或脑区等节点及边的定义。低信噪比可能使连边不稳定，跨被试通道差异与小数据也可能削弱嵌入可靠性，且高度节点未必是应被抑制的偏差。一个小规模检验是假设固定 EEG 图构建方式、数据划分和下游分类器，仅比较经典游走与双向扩展游走，观察节点采样覆盖和下游指标是否同时改善。原论文结果不构成 EEG/BCI 有效性证据；已有 EEG 相关工作尚未检索确认。