用于图信号处理的时空自注意力

基于摘要分析。本文研究固定传感器采集的图信号如何联合建模空间与时间依赖，提出基于 Transformer 的 NTAttention，以及利用图拓扑稀疏化注意力矩阵的 geometry-aware masking（GMask），并在 EEG 癫痫发作检测和交通预测中验证。 机制上，NTAttention 对多个时间步中的所有节点进行注意力计算，旨在捕捉节点之间跨较长时间范围的依赖，而不局限于单一时刻的节点关系。GMask 将图拓扑引入注意力矩阵的稀疏化；作者称其可提高效率，同时保留节点承载的时间信息。摘要未给出具体注意力公式、图构建方式、掩码规则、训练目标或计算开销，因此这些实现细节尚未验证。 结果方面，作者报告，在癫痫发作快速检测任务中，相较其所称的最先进方法，模型敏感度提高了 20 个百分点；但摘要未提供数据集、被试规模、被试内或跨被试划分、具体基线、检测时间窗、延迟及误报水平，不能据此判断不同临床或在线检测条件下的收益。作者另报告交通预测表现显著优于现有方法，但未给出具体指标及统计依据。 该研究已直接涉及 EEG，但癫痫发作检测结果不等同于 BCI 解码有效性。复现时应重点核对传感器图的定义、跨时间注意力的输入范围、GMask 的稀疏程度，以及两项机制各自的性能与效率贡献。实验协议、消融及统计信息尚未验证。