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，提出 EAGLE，旨在同时利用图结构与边属性语义，并区分二部图两类异质节点对边表示的影响。原论文面向垃圾评论检测、欺诈交易识别等边级分析问题，并非 EEG 或 BCI 研究。 核心机制是 factorized feature propagation（FFP，因子化特征传播）：作者通过理论分析设计传播方案，以建模边及特征之间的长程依赖，同时控制计算开销。进一步提出 dual-view FFP，分别考虑节点集合 U 和 V 对边表示的影响。相较于以节点表示为中心的图表示学习，该方法直接围绕边级任务组织表示与传播；具体传播算子、因子化形式、训练目标和复杂度界尚未验证。 作者报告，在 5 个真实数据集的半监督边分类实验中，EAGLE 相对最佳基线的 AP 和 AUC 增益分别最高达到 38.11% 和 1.86%。摘要未明确这些百分数是相对提升还是绝对差值，也未说明两项最大增益是否来自同一数据集，因此不能改写为百分点或视为所有数据集上的一致收益。数据集名称、标注比例、训练与测试划分、基线配置、消融及统计信息尚未验证。 复现时需重点核对长程传播的实际计算与内存开销，以及 dual-view FFP 相对基础 FFP 的独立贡献。当前材料未提供与 EEG 数据结构的具体对应关系，也未验证 EEG/BCI 任务效果；已有 EEG 相关工作尚未检索确认，不据此提出迁移有效性结论。