ProvG-Searcher：一种用于高效溯源图搜索的图表示学习方法

基于摘要分析。该研究面向系统安全日志中已知高级持续性威胁（APT）行为的检测，提出 ProvG-Searcher，将溯源图搜索建模为子图匹配问题，并通过图表示学习降低查询时的计算开销；其主要研究对象不是神经信号或 BCI。 方法以系统实体为节点、实体间交互为边，构建表示数据来源关系的溯源图。核心机制是使用 order embeddings 将子图嵌入向量空间，使查询与预计算子图表示之间的简单比较能够用于判断子图关系。为处理溯源图的规模与复杂性，作者还提出图划分方案和保留行为信息的图缩减方法，将大部分搜索计算移至离线阶段，在线执行轻量比较。摘要未披露具体编码器、训练目标、查询生成方式及图缩减规则。 作者报告，在所称的标准数据集上，查询行为检测的 Accuracy 超过 99%，假阳性率约为 0.02%，并优于其他方法；但摘要未提供数据集名称、划分协议、查询规模、对照方法或运行时间，因此这些数字只能在该摘要所述的安全日志行为检测背景下解读，尚不能判断性能优势的适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分析任务能够明确构造节点与边语义一致的图，并将目标定义为已知图模式检索，可考虑复用“离线子图嵌入、在线关系比较”的检索框架；这并不等同于直接改进 EEG 分类。需要改造图构建、查询定义及行为保留缩减规则，且 EEG 低信噪比、跨被试差异、通道配置变化与小样本可能破坏稳定的子图包含关系。一个可证伪的小实验是在固定通道和预先定义的图模式查询下，对比嵌入检索与直接子图匹配的检索正确性和查询耗时，并检验扰动边权后是否仍成立。已有 EEG 相关工作尚未检索确认。