通过有符号图互信息最大化进行面向信任预测的关系表示学习

基于摘要分析。本文研究开放网络中实体之间的信任预测，提出关系表示学习方法 SGMIM，以补充主要依赖节点相似度的方法对关系语义及负边（如不信任关系）影响的建模。主要研究对象是信任网络中的链接符号预测，而非 EEG 或 BCI。 机制上，SGMIM 引入平移模型与正逐点互信息来增强关系表示，并通过互信息最大化对齐实体与关系的语义空间，随后使用符号预测模型判断信任关系。该方法依赖包含实体及正负关系的图结构；具体编码器、互信息估计方式、损失组合、负采样及训练流程尚未验证。 作者报告，在四个真实世界数据集的信任预测任务上，SGMIM 显著优于所比较的先进基线。摘要未提供数据集名称、划分方式、指标、具体数值或显著性检验细节，实验协议、消融及统计信息尚未验证，暂不能判断其优势来自哪些模块及适用条件。 平台推测（待验证）：若 EEG 任务能够构建具有明确语义的正负连接图，实体—关系语义对齐可能为关系建模提供参考；但信任网络的正负边不能直接等同于 EEG 正负相关。可考虑复用关系表示与语义对齐思路，需改造信号到图的构建及任务预测模块。低信噪比导致边符号不稳定、跨被试连接差异、通道配置变化及小数据下互信息估计偏差，都可能使迁移失败。一个可检验的假设是：在固定 EEG 数据划分、图构建和预测器的条件下，加入关系表示与互信息对齐是否优于不加入这些模块的对照；跨被试设置下应仅用训练被试确定图构建参数。已有 EEG 相关工作尚未检索确认。