Local2Global：用于扩展图表示学习规模的分布式方法

基于摘要分析。该研究面向大规模图表示学习，提出去中心化的 Local2Global 方法：先在重叠子图上独立学习局部表示，再将其对齐为全局一致的表示，以降低分布式训练对参数同步的依赖。 核心机制是将输入图划分为相互重叠的 patches，各 patch 独立训练嵌入；随后利用重叠部分的信息，通过群同步（group synchronization）估计使局部表示尽可能对齐的一组刚体变换。与需要训练期间同步参数的分布式方案相比，其主要区别在于将跨 patch 的协调放到表示对齐阶段。作者将其定位为原则上可用于扩展不同嵌入技术的框架，但摘要不足以确认其适用条件，尤其是不同局部嵌入是否能够仅通过刚体变换实现一致对齐。 作者报告，在不同规模的数据集上，该方法在边重建与半监督分类任务中取得了规模与精度的良好折中，并展示了利用该方法识别网络安全图中异常的应用。摘要未提供数据集名称、划分、对照基线、具体指标或资源消耗，因此无法量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为具有共享节点的连接图，重叠子图独立学习与全局对齐机制可能有助于分块处理较大图。该假设依赖稳定的重叠节点对应关系，以及局部表示主要存在刚体差异；可复用 patch 划分和群同步思路，但 EEG 图构建、跨被试节点对应与嵌入目标需另行设计。低信噪比、通道缺失、跨被试连接变化及小数据可能导致局部几何失真，使刚体对齐失效。可先在同一 EEG 数据划分下比较完整图嵌入与分块对齐方案，保持嵌入方法一致，检查边重建质量、下游任务表现及内存开销随重叠程度的变化。以上不是已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。