异质图上的子图表征学习

基于摘要分析。本文研究异质图中的子图表征学习：在共享底图上，同时考虑目标子图的成员关系以及节点和关系的类型。作者提出 Cross-Type Anchor Projection（CTAP），通过按节点类型分解、跨类型锚点投影与多阶段融合，构建目标子图的表示。 机制上，CTAP 按节点类型分解目标子图和底图，在周围图结构中表示各类型的节点集合。跨类型投影将其他类型的节点作为锚点，并映射到其邻居构成的子图，由此形成关联节点集合与锚点的视图，用于捕获长程依赖。随后，语义融合整合各视图学到的表示；成员关系池化结合跨类型邻居及子图组成节点的信息，最后再跨节点类型融合。其方法重点是子图成员信息与异质结构的联合建模，而非仅处理节点级或整图级异质性。 作者报告：在来自团队发现、罕见病诊断及基因/蛋白质集合分析的六个新数据集上，CTAP 在其中五个数据集取得所比较方法中最高的平均测试 micro-F1。摘要未提供具体分数、数据划分、对照方法和重复实验设置，实验协议、消融及统计信息尚未验证，不能据此判断优势幅度与稳定性。 原论文的主要对象是异质图中的子图表示，并非神经信号解码。材料未提供 EEG/BCI 实验或明确的神经信号图构建方案，相关工作尚未检索确认，因此不将上述结果解释为已验证的 BCI 方法进展。