TransN：通过节点嵌入转换进行异构网络表示学习

TransN 研究异构网络中如何保留节点类型信息并融合多视图结构，提出无需节点标签或用户指定 meta-paths 的无监督网络嵌入框架。基于摘要分析，研究对象是一般异构网络，而非 EEG 或 BCI。 方法包含两个关键环节：先在单个视图内学习邻近关系，再基于 dual-learning 在不同视图之间转换节点嵌入，以传递已学信息。作者希望这种转换既能捕捉跨视图嵌入之间的复杂关系，又能保留各视图内部的邻近结构。摘要未给出视图构造方式、转换函数、具体损失及优化流程，不能据此确定其实现细节。 作者报告，在真实世界异构网络的多种网络挖掘任务上，TransN 生成的节点嵌入优于对照方法；但摘要未列明数据集、任务、评价指标、划分协议或具体数值，其比较范围及效果幅度尚未验证。作者还称框架可处理比既有工作更一般的异构网络类型，具体适用边界需查阅全文。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据能够构造成具有明确节点对应关系的多视图图结构，可检验跨视图嵌入转换是否有助于保留不同连接表征中的互补信息。可复用的是视图内结构保持与跨视图转换思路；需改造的是 EEG 图构建、节点类型与对应关系定义，以及面向下游任务的评估流程。低信噪比、跨被试连接差异、通道不一致和小样本均可能使结构学习或转换不稳定。一个可证伪的小实验是在固定数据划分和下游分类器下，对比单视图嵌入、直接多视图融合与加入跨视图转换的方案，检验收益是否来自转换机制。该假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。