WL-Align：通过正则化表示学习进行跨网络用户对齐的 Weisfeiler-Lehman 重标记方法

基于摘要分析。本文研究跨网络用户对齐，针对与已标注锚点存在长程连接的节点难以精确匹配的问题，提出 WL-Align，通过跨网络 Weisfeiler-Lehman 重标记与保留邻近性的表示学习交替进行，学习具有区分性的节点表示。 机制上，跨网络重标记结合基于锚点的标签传播与基于相似性的哈希，利用已知锚点到其他节点的连接关系；表示学习模块保留各网络内部的二阶邻近性，并以跨网络 Weisfeiler-Lehman 哈希标签进行正则化。其依赖图结构及已知锚点对应关系，并非无需对齐监督的通用表示学习方法。具体损失形式、交替优化流程及计算规模尚未验证。 作者报告，在真实与合成数据集的实验中，WL-Align 优于所比较的方法，尤其在“exact matching”场景取得显著性能提升。摘要未提供数据集名称、划分、锚点比例、指标数值或统计检验信息，因此无法量化提升幅度或判断其适用范围。摘要提供了数据与代码地址，但实现与复现条件尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将不同被试或会话的 EEG 表示为具有可靠对应锚点的图，该机制可能用于探索图节点对齐，而非直接解决 EEG 解码。可复用的是锚点传播与跨图正则化思路，需改造的是 EEG 图构建、节点定义及锚点选择；低信噪比、被试差异、通道缺失和小样本下不稳定的连接估计，都可能使传播与哈希放大错误。一个可证伪的小实验是在具有已知通道对应关系的跨会话 EEG 图上隐藏部分对应关系，对比有无重标记正则项时的隐藏节点匹配表现，并扰动锚点以检查稳健性。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。