结合边时序状态的动态图表示学习递归 Transformer

基于摘要分析。本文研究离散动态图表示学习，提出 Recurrent Structure-reinforced Graph Transformer（RSGT），通过显式建模边的时序状态与递归学习，表征节点关系强度及节点特征随时间的变化，主要评估任务为动态链路预测。 核心机制是比较任意两个连续图快照，依据其差异设置不同的边类型与权重，将边的时序状态编码为图拓扑结构的一部分；随后使用结构增强的 Graph Transformer，在递归学习过程中提取兼顾拓扑与演化动态的节点表示。作者将既有方法对边时序状态考虑不足，以及 GNN 过平滑对全局结构提取的限制，作为方法设计的动机。摘要未提供具体边状态定义、权重计算、递归更新公式或训练目标。 作者报告，在四个真实世界数据集的动态链路预测评估中，RSGT 持续优于对比方法；摘要未列出数据集名称、划分方式、指标、数值及基线配置，因此无法判断优势幅度或适用边界。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：若 EEG 被构造成连续时间窗的功能连接图，边状态编码可能用于区分连接关系的持续与变化，但这是假设，不是本文已验证的 BCI 贡献。原方法依赖可比较的连续图快照及边类型、权重；迁移时需改造 EEG 连接估计与边状态定义，可尝试复用结构增强和递归表示模块。低信噪比可能使连接估计波动被误当作真实动态，跨被试差异、通道布局变化及小数据也可能削弱稳定性。可在固定 EEG 数据划分和连接估计流程下，对照有无边时序状态编码的版本，并以边扰动检验收益是否稳健。已有 EEG 相关工作尚未检索确认。