利用素数实现高效的多关系网络表示

基于摘要分析。本文研究如何紧凑表示并高效分析多关系网络，提出使用素数编码关系的 Prime Adjacency Matrices（PAMs），以单个邻接矩阵表示多关系图，并支持快速计算多跳邻接矩阵。研究对象是通用多关系图，而非 EEG 信号或 BCI 解码。 核心机制是利用算术基本定理所保证的素因数分解唯一性保存关系信息。作者声称，该表示能够无损、紧凑地容纳完整多关系图，并有利于下游网络分析中的多跳计算。摘要未给出具体编码规则、矩阵运算及关系解码方式，不能据此确定其对多重边、方向或属性信息的处理范围。 作者报告通过简单及复杂的网络分析任务展示了方法收益，但摘要未列出数据集、任务定义、对照方法、运行时间或存储开销。实验协议、消融及统计信息尚未验证。复现时需核对关系种类与图规模增长下的整数位宽、算术与解码成本，以及无损表示和多跳计算所适用的条件。 平台推测（待验证）：若 EEG 研究已将通道或脑区作为节点、不同连接类型作为关系，PAMs 可作为多关系连接图的表示与分析候选模块，而非直接替代时序特征提取或解码模型。该假设依赖预先构建的多关系图；连续连接权重、噪声边及跨被试通道差异需要额外处理，小数据下的构图不稳定也可能抵消表示收益。一个可检验的小实验是在固定 EEG 构图规则与相同下游任务下，对比 PAMs 与逐关系稀疏邻接矩阵的存储、编码和多跳计算耗时，并核验关系恢复的一致性。上述迁移尚未验证，已有 EEG 相关工作尚未检索确认。