面向时序图链接排序的高表达能力与高效率表示学习

基于摘要分析。该研究面向时序图中随时间演化的链接预测，提出 Temporal Graph network for Ranking（TGRank），将优化目标从独立预测未来链接转为联合优化每个节点候选链接集合的排序，并兼顾表达能力与推理效率。 核心机制：作者指出，当应用依据链接可能性的排序分配注意力等资源时，逐链接的点式损失与实际排序目标并不完全一致。TGRank 使用列表式（list-wise）损失优化候选集排序，并引入一种 labeling approach，以支持对候选集合的高效联合推理；作者称该方法可在理论上提升表达能力。摘要未展开标签构造、损失公式及理论成立条件。 结果：作者报告，在六个真实网络上，相对所比较的先进基线，TGRank 的排序指标在传导式（transductive）和归纳式（inductive）设置下平均分别提升 14.21% 和 16.25%，大型网络推理最高加速 65 倍。摘要未给出具体指标名称、数据集、划分、候选集构造及运行硬件，不能将这些相对提升解释为准确率百分点，也不能视为所有设置均达到最高加速。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 研究任务确实涉及动态连接图上的候选连接排序，而非直接进行 MI 等任务分类，则列表式目标和候选集联合推理可能具有借鉴价值。可复用的是排序目标与联合推理思路；需改造的是 EEG 图构建、时间窗口、候选连接定义及排序监督。低信噪比、跨被试差异、通道配置变化和小数据可能使连接排序不稳定。一个可证伪的小实验是在固定 EEG 图构建与编码器、按被试隔离的数据划分下，仅比较点式与列表式目标的预先指定排序指标及推理耗时，检验收益能否成立。已有 EEG 相关工作尚未检索确认，原论文结果不构成 BCI 有效性证据。