少遗忘，多泛化：统一动态图的时间与结构自适应

基于摘要分析。本文研究动态图表示学习，针对固定时间衰减和预设结构传播深度难以适应不同交互频率与拓扑特征的问题，提出 Dual-Scale Retentive Dynamics（DSRD），以统一递归状态联合维护时间记忆与结构上下文。 核心机制包含双尺度自适应保持状态，以及带可学习时间敏感参数的自适应衰减核，旨在依据时间与结构交互模式平衡短期响应和长期保留。作者给出将递归状态更新展开为时间游走加权聚合的理论分析，并提供学习动态的有界性保证；具体更新公式、参数约束及保证成立的条件尚未验证。 作者报告，在14个真实世界基准上，DSRD在链路预测和节点分类任务中取得最先进性能，并在 transductive 与 inductive 设置下表现出较强泛化能力。摘要未提供基准名称、划分、对照方法或具体指标，因此不能据此判断提升幅度或跨协议可比性。实验协议、消融及统计信息尚未验证。摘要提供了实现代码链接，但代码完整性与可复现性尚未核验。 平台推测（待验证）：若将 EEG 建模为随时间变化的通道或脑区交互图，联合调节记忆保持与结构传播可能对应非平稳信号中时间尺度和空间依赖变化的问题。该假设依赖可靠的动态图构建，而非直接适用于原始 EEG；可考虑复用递归状态及衰减机制，但需改造节点特征、边定义和任务读出。低信噪比可能使伪连接进入长期记忆，跨被试通道差异及小数据也可能导致衰减参数过拟合。一个可检验的小实验是在固定 EEG 数据划分、图构建和读出模块的条件下，对比固定衰减与自适应衰减，并分别检验时间与结构自适应的贡献。原领域结果不构成 EEG/BCI 有效性的证据，相关 EEG 工作尚未检索确认。