图上的特征传播：图表示学习的新视角

基于摘要分析。本文研究图表示学习中的特征传播推理过程，核心贡献是形式化定义特征传播，并分析其收敛到平衡状态的条件；随后将这一视角与 node2vec、structure2vec 联系起来，并将节点表示扩展到边表示 edge2vec，用于真实场景的欺诈交易检测。 机制与理论：摘要将特征传播描述为把特征在图上传播至 t 阶，以扩展端点的特征信息。作者指出，缺乏收敛保证的传播可能引发数值溢出及任务失败，因此重点考察传播何时达到平衡。具体传播算子、收敛条件、证明适用范围，以及与既有方法的数学对应关系，均需正文核对，不能据摘要认定其适用于任意图或任意图神经网络。 实验与证据：作者报告，edge2vec 在真实场景欺诈交易检测实验中具有竞争力。摘要未提供数据集名称、数据规模、划分方式、对照方法或具体指标；实验协议、消融及统计信息尚未验证。该结果属于交易图上的边表示应用，不是 EEG 或 BCI 有效性的证据。 平台推测（待验证）：假设 EEG 通道或脑区构成图、信号特征作为节点属性，传播收敛分析可能有助于审查图模型的数值稳定性。可尝试复用传播算子及收敛条件的分析框架，但需先确认其对所用图结构、权重与更新规则是否成立，并改造 EEG 图构建和时序特征接口。低信噪比、跨被试连接差异、通道变化及小数据下不可靠的图估计，都可能使稳定传播仍无法获得有效表征。一个可检验的小实验是在固定数据划分与下游模型的条件下，比较满足与不满足论文收敛条件的传播设置，记录迭代特征范数、数值异常及任务表现，检验稳定性是否对应实际收益。相关 EEG 工作尚未检索确认。