TransPath：通过平移机制学习异构信息网络表示

TransPath 研究异构信息网络（HIN）的表示学习，通过将元路径视为从起始节点到终止节点的平移操作，编码网络中的语义与结构信息，并引入用户引导的元路径采样策略。基于摘要分析，未取得论文全文。 其核心机制借鉴知识图谱中的平移思想，但将平移操作的单位由边扩展为元路径。作者提出利用用户偏好指导元路径采样，以更精确地探索路径语义，并通过避开噪声或无意义路径提升效率。该机制依赖具有节点与关系类型的异构图，以及可用于引导采样的用户偏好；具体表示形式、损失函数、偏好编码方式与训练流程尚未验证。 作者报告，在 DBLP 和 YELP 两个真实世界数据集的 similarity search 与 node classification 任务上，TransPath 相较所选先进基线取得一致且显著的优势。摘要未提供具体指标、数值、数据划分或基线名称，实验协议、消融及统计信息尚未验证，无法据此判断优势幅度或复现成本。 平台推测（待验证）：若 EEG 研究已构建包含被试、通道和试次等节点及明确关系的异构图，元路径平移与偏好引导采样可能用于筛选有意义的跨类型关联；这不等于原方法已具备 EEG 解码能力。可复用部分是图表示与路径采样思想，需改造的是 EEG 图构建、路径语义和偏好来源。低信噪比、通道配置差异、被试差异及小数据可能使路径关系不稳定，或使偏好筛选丢失有效信息。一个可检验的小实验是在固定 EEG 异构图与 Cross-subject 划分下，对比偏好引导采样与无偏好采样，保持其余训练条件一致，检验节点分类表现是否稳定改善。已有 EEG 相关工作尚未检索确认。