以高时间与空间效率对十亿规模属性网络进行草图化

基于摘要分析。本文研究十亿规模属性网络的节点嵌入问题，提出非学习式算法 SketchBANE，通过稀疏随机投影与 1-bit 量化对迭代闭邻域进行草图化，旨在以紧凑的低维表示保留节点间相似性，同时降低计算和存储开销。 原问题的关键是同时利用网络结构与节点属性：作者指出，已有大规模网络嵌入方法可能因属性信息损失而降低精度，或因大量参数学习而增加时间与空间成本。SketchBANE 的机制是利用迭代闭邻域表达高阶节点关系，再以随机投影和二值化形成紧凑表示，而非通过参数学习获得嵌入。摘要未给出邻域更新规则、属性融合方式、投影维度及量化细节。 作者报告，在所开展的实验中，SketchBANE 与先进方法相比具有竞争力，并显著减少运行时间和空间消耗，同时具备良好的可扩展性与并行性。摘要未提供数据集、具体网络规模、下游任务、评价指标、对照配置或数值，因此这些结果的适用范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 功能连接可构造成带节点属性的图，其高阶邻域压缩机制或可用于紧凑图表征；可复用部分是随机投影与二值草图，需改造部分是 EEG 节点属性、边权及邻域定义。该假设依赖有意义且稳定的图结构，低信噪比可能使邻域传播放大伪连接，跨被试通道差异和小规模图也可能削弱收益。一个可证伪的小实验是在固定 EEG 图构建方式与跨被试划分下，对比草图表示和未压缩图特征，联合测量下游任务表现、时间与内存开销。此处并非已验证的 EEG/BCI 结果，相关已有工作尚未检索确认。