基于序贯生存过程的连续时间图表示

基于摘要分析。该研究面向连续时间动态网络，针对离散时间建模或将连接视为瞬时事件的方法难以描述边持续存在与缺失的问题，提出 GraSSP（Graph Representation with Sequential Survival Process），以基于生存函数的随机过程刻画两类状态的持续时间，构建显式考虑间歇性边持续性的似然框架。 机制上，研究将该框架应用于连续时间动态潜在距离模型，用节点在潜在空间中的分段线性运动描述网络演化。其关键区别在于，不仅关注连接何时发生，还将连接存在和不存在的时长纳入建模。作者报告，在链接预测、网络补全等下游任务中，该框架能够追踪节点的潜在轨迹并捕捉演化网络结构；摘要未提供数据集、具体指标、对照结果或效应大小，实验协议、消融及统计信息尚未验证，具体生存函数与似然实现也需查阅全文。 平台推测（待验证）：若 EEG 动态功能连接可被可靠地表示为带有边出现、消失时间的网络，该持续时间建模机制可能有助于研究连接状态的维持与转换，而非仅分析固定时间窗内的图。可考虑复用生存过程与动态潜在空间框架，但需改造 EEG 连接估计、边状态判定及时间分辨率设置。其主要风险是低信噪比、体积传导、通道差异和阈值选择可能制造虚假的边切换，小数据也可能不足以稳定估计持续时间分布。一个可证伪的小实验是在固定连接构建规则与严格时间划分下，对比 GraSSP 与瞬时事件模型的未来链接预测表现，并检查结果对阈值和时间窗的敏感性；这不等同于验证 BCI 解码收益。已有 EEG 相关工作尚未检索确认。