Cascade2vec：通过循环图神经网络学习动态级联表示

基于摘要分析。该研究针对社交网络中信息传播级联的增长预测，提出 Cascade2vec，以图神经网络学习级联的空间结构，再结合循环神经网络捕捉动态图之间的时间关系，形成动态图级表示。 核心机制是改进图神经网络：设计在节点之间共享注意力权重的图残差块，并通过感知层变换特征；随后将该图网络整合进循环神经网络，联合建模级联的空间与时间特征。其针对的既有方法主要基于循环神经网络以及随机游走或传播路径表示，作者认为这些方法不足以刻画整个级联的深层时空特征。摘要未提供具体损失形式、图序列构造方式或训练细节。 作者报告，在 Microblog network dataset 的一小时级联预测设置下，相较摘要所称的强基线，mean squared logarithmic error 和 median squared logarithmic error 分别降低 16.1% 和 12%。这些是对应误差指标的相对降幅，并非准确率提升；基线名称、数据划分、一小时预测的具体时间协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是以图编码器处理空间关系、以循环模块处理图序列，这可能用于探索 EEG 通道关系随时间变化的建模，但原论文研究对象是人员间的信息传播，并非神经信号。迁移需将传播节点和边替换为 EEG 通道及其关系，并重设监督目标；原研究的数据规模和监督构造尚未验证。低信噪比导致的边估计不稳定、跨被试差异、通道配置变化和小数据过拟合均可能使迁移失败。一个可证伪的小实验是在固定跨被试划分与相同输入窗口下，对比静态图模型、仅时序模型和动态图循环模型，并消融图残差块，以检验收益是否来自动态图机制。已有 EEG 相关工作尚未检索确认。