超图表示学习综述

基于摘要分析。本文综述超图表示学习：将输入超网络中的对象（通常为节点）映射到潜在空间，同时编码并保留网络的结构与关系属性。其主要贡献是提出方法分类体系，并整理典型任务、数据集、实验设置及开放挑战，而非发布新的 EEG/BCI 算法。 超图面向多个对象共同参与的高阶关系，不局限于普通图中的成对关系。作者将现有嵌入方法划分为谱方法、邻近性保持方法和（深度）神经网络三类，并在统一且灵活的框架下讨论各类方法的特征、具体方法差异及优缺点。摘要未展开具体目标函数、监督需求、数据规模、数据集名称或定量比较，因此不能据此判断哪类方法更优；具体文献覆盖、实验协议及比较证据尚未验证。 平台推测（待验证）：若 EEG 任务需要表达多个通道或脑区共同参与的关系，可假设将通道或脑区定义为节点、将多方关联定义为超边，借助该综述选择高阶关系表示方法。可复用的是超图表示学习框架，需改造的是 EEG 时间窗表示、超边构建与跨被试对齐；低信噪比可能使超边不稳定，通道配置差异及小样本也可能削弱泛化。一个可证伪的小实验是在固定 EEG 数据划分、节点特征和下游分类器的前提下，比较成对图与超图表示，并检验超边构建扰动下的稳定性。这只是迁移假设，原领域方法并不因此具备 BCI 有效性；已有 EEG 相关工作尚未检索确认。