边属性二部图中的有效边级表示学习

基于摘要分析。本文研究边属性二部图（EABGs）中的边表示学习，主要面向垃圾评论检测、欺诈交易识别等边级分析任务，而非 EEG 或 BCI。作者提出 EAGLE，通过因子化特征传播（factorized feature propagation，FFP）及其双视图形式，在学习边表示时结合图结构、属性语义与两类异质节点的不同影响。 机制上，FFP 旨在纳入边及特征的长程依赖，同时避免过高的计算开销；dual-view FFP 则分别考虑二部图节点集合 U 与 V 对边表示的影响。其方法价值在于直接围绕边构造表示，而非仅学习节点表示再用于边级任务。摘要提到理论分析，但具体传播算子、因子化形式、训练目标、复杂度及理论成立条件尚未验证。 作者报告，在 5 个真实数据集的半监督边分类实验中，相较最佳基线，EAGLE 的 AP 增益最高为 38.11%，AUC 增益最高为 1.86%。摘要未明确这些增益是相对百分比还是绝对百分点，也未说明是否来自同一数据集，因此不能合并解读。数据集名称、标签比例、划分方式、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：仅当 EEG 任务能够自然表示为两类实体之间、具有边属性和边级监督的二部图时，FFP 才可能提供可复用的表示学习模块；原领域有效不等于 BCI 有效。迁移需重新定义节点、边属性及边标签，不能直接将普通通道连接图视为二部图。低信噪比和跨被试差异可能使长程传播扩散噪声，小样本条件下双视图表示也可能不稳定。一个可证伪的小实验是：在确有边级标签的 EEG 二部图任务中，固定特征与按被试隔离的划分，比较不传播、FFP 和 dual-view FFP，检验传播及双视图是否带来稳定增益。相关 EEG 工作尚未检索确认。