结合扩散序列与网络结构的用户表征联合学习

基于摘要分析。本文研究社交媒体中信息分享行为与社交链接建立行为的相关性，提出共享潜在空间中的用户表征联合学习方法，同时服务于信息扩散预测和社交链接预测。主要研究对象是社交用户及其行为，而非神经信号或 BCI。 方法分别在观测到的信息扩散序列和社交网络结构上定义最大似然估计目标，将二者纳入统一框架，并采用多任务学习算法进行优化。学习得到的用户表征可同时用于预测扩散过程和推断未观测的社交链接。摘要未披露两个似然目标的具体形式、任务权重、网络结构编码方式及优化细节，尚不能判断模型如何处理两类监督之间的冲突。 作者报告，在两个真实社交媒体数据集上，该模型在扩散预测与链接预测任务中均较所比较的先进方法取得显著改进，并报告消融研究中的稳健性表现支持共享表征捕捉行为相关性的作用。数据集名称、划分方式、评价指标、改进幅度、显著性检验及稳健性测试条件尚未验证，不能据摘要作定量比较。 平台推测（待验证）：其可迁移部分是“序列观测与关系结构共享实体表征”的联合学习机制，而非社交扩散过程本身。若 EEG 场景同时具有可对齐的信号序列和独立定义的通道关系，可假设联合监督有助于缓解单一序列表征的信息不足；但需重构序列与图结构的似然模型，并明确实体对应关系。低信噪比、跨被试通道差异、小数据及不可靠关系结构可能导致负迁移。一个可证伪的小实验是在固定数据划分下，对比序列单任务与序列—关系联合学习，并以打乱关系结构作为对照，检验收益是否确实依赖有效关系信息。已有 EEG 相关工作尚未检索确认。