GD-Mamba：结合选择性状态空间模型的自适应跨域交替图扩散模型

基于摘要分析。该研究面向通用图与分子图生成，提出 GD-Mamba，通过离散图模态与连续潜空间模态之间的交替去噪，尝试同时利用图拓扑先验和潜空间全局语义指导；其主要研究对象不是 EEG 或 BCI。 核心机制：作者指出，离散图扩散直接对节点和边去噪，生成过程可能出现跳跃式结构变化，而连续潜空间扩散的变化较为渐进。GD-Mamba 在两种模态间交替去噪，使潜空间语义参与图模态去噪，并将离散图先验注入潜空间去噪。模型采用两级 Mamba 结构 G-Mamba 与 S-Mamba 对齐两种模态的特征，以稳定生成过程；跨域映射还引入多尺度小波位置编码注意力 MSW-PE，通过不同频率尺度上的节点与边邻域定位提取图的核心结构。这里的“跨域”指图模态与潜空间模态之间的映射，不等同于跨被试域适应。 结果与证据边界：作者报告，该方法在通用图数据集和分子图数据集上具有更优性能。摘要未列出数据集名称、划分方式、对照方法、指标或数值，因此无法判断优势大小及适用范围。损失函数、交替去噪调度、潜空间构建方式、消融及统计信息尚未验证，复现所需代码和配置也尚未确认。 平台推测（待验证）：若将 EEG 通道关系或功能连接表示为图，该方法的离散拓扑与连续表示协同生成机制可能用于研究连接图生成，但这是假设，不是已证实的 BCI 效果。可考察复用交替去噪与多尺度结构对齐模块；需改造的是 EEG 图定义，以及加权、带符号或动态连接的表示方式。低信噪比、跨被试差异、通道配置变化和小数据可能使模型学习到不稳定连接或失真的拓扑先验。一个可检验的小实验是在固定连接估计方法、阈值和被试隔离划分下，对比单模态扩散与交替扩散的图结构统计和留出被试分布一致性，再单独消融 MSW-PE；生成质量不能直接视为解码性能提升。已有 EEG 相关工作尚未检索确认。