FI-GRL：通过投影代价保持实现快速归纳式图表示学习

基于摘要分析。FI-GRL 研究如何将图节点映射为低维向量，并使表示学习能够扩展到训练时未见的节点，以克服传导式方法通常依赖预先获知全部节点的限制。其核心是结合随机投影、矩阵草图上的奇异值分解（SVD）与 folding-in 技术，获得已有节点及新增节点的表示。 机制上，方法先通过随机投影矩阵将节点映射到随机子空间，以显式解耦图中表达的节点关系。作者称，该步骤保持归一化随机游走矩阵的投影代价，而这一代价与图的归一化割密切相关；随后对矩阵草图进行 SVD 提取特征，并利用投影代价保持性质为所得表示提供近似最优的理论保证。对于未见节点，方法使用 folding-in 获得表示，但其所需邻接信息、具体计算步骤与理论适用条件尚需核对全文。 作者报告，在真实数据集的聚类与结构洞检测任务上，FI-GRL 在效果和效率方面具有优势，并称已见节点数量多于未见节点时表现良好。摘要未提供数据集名称、划分方式、对照方法、指标或耗时，因此无法量化收益或确认结论边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区作为节点、功能连接作为边，FI-GRL 的图压缩与新增节点嵌入机制可能用于探索通道或脑区变化时的表示复用。可复用部分是随机投影、SVD 与 folding-in；需改造和验证的是 EEG 构图方式及新增节点连接信息的获取。其依赖可用的图关系，而非直接处理 EEG 时序；低信噪比、跨被试连接差异及少通道图可能使结构保持无法转化为任务收益。一个可证伪的小实验是在同一 EEG 数据划分内保留部分通道为未见节点，比较 folding-in 与全图重新计算表示后的下游性能和耗时，并控制构图数据范围。该假设不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。