完全树空间有利于数据高效的链接预测

基于摘要分析。本文研究网络结构数据中观测链接稀缺时的链接预测，提出以层次模块性为先验的 complete-tree（CT）空间，并设计 leaf matching 网络嵌入方法，旨在提高有限链接样本下的数据效率。研究对象是一般网络的链接预测，而非 EEG 解码或 BCI 任务。 核心机制是将结构化、嵌套连接所体现的层次模块性，形式化为具有潜在完全树结构的离散度量空间，并强调其层次置换对称性。作者利用群论量化和比较不同空间的置换对称性，并声称证明了 CT 空间相较常用欧氏空间具有显著更低的样本复杂度界；具体界的定义、方向及成立条件需查阅全文核对。leaf matching 将网络节点映射到 CT 空间，并通过把离散优化归约为去中心化搜索来求解。 作者报告，实验显示 CT 空间比其他空间具有更高的数据效率，且 leaf matching 在数据稀缺情境下优于所比较的先进 graph transformer，同时具有良好的可扩展性。摘要未提供数据集、链接观测比例、训练测试划分、负采样方式、评价指标或具体数值，因此无法判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证。材料提供了代码仓库地址，但实现完整性、依赖环境与复现成本尚未核验。 平台推测（待验证）：若 EEG 功能连接图确实具有稳定的层次模块性，CT 空间可能成为稀疏连接补全的结构先验；可复用的是空间表示与搜索思路，需改造的是带权连接、通道映射及动态连接处理。该假设依赖可靠的图构建方式，而低信噪比、跨被试拓扑差异和少通道可能破坏先验。可先在固定图构建与链接遮蔽协议下，对比 CT 与欧氏嵌入的连接恢复能力，再检验其是否改善下游任务；连接恢复有效不等于 BCI 解码有效。相关 EEG 工作尚未检索确认。