DG-Mamba：基于选择性状态空间模型的鲁棒高效动态图结构学习

基于摘要分析。本文研究动态图结构不完整、噪声和冗余导致动态图神经网络（DGNNs）鲁棒性下降的问题，提出结合选择性状态空间模型 Mamba 的动态图结构学习（DGSL）框架 DG-Mamba，以提高结构优化效率、捕获长距离依赖并学习鲁棒表示；主要研究对象是一般动态图，而非 EEG 或 BCI。 方法包含三个机制：首先，核化动态消息传递算子用于加速时空结构学习，作者称其将时间复杂度从二次降至线性，但摘要未说明复杂度对应的规模变量及成立条件。其次，将动态图视为状态空间模型中的自包含系统，利用跨快照图邻接关系离散化系统状态，再通过选择性快照扫描捕获长距离依赖。最后，引入自监督 Principle of Relevant Information，对学习到的动态结构施加信息正则化，强调保留相关信息、减少冗余；具体目标函数及优化方式尚未验证。 作者报告，在对抗攻击实验中，DG-Mamba 相比先进基线表现出更好的鲁棒性和效率。摘要未提供数据集、任务、攻击方式、划分协议、指标或数值，因而无法判断收益幅度与适用范围；实验协议、消融及统计信息尚未验证。复现还需核对动态图构建方式、核化算子的实现与近似条件、扫描顺序、正则化权重，以及运行时间和内存的测量设置。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为图快照，该方法可能用于处理时变通道关系中的噪声与冗余，但这一假设依赖可学习的动态图结构及适配的任务监督，原领域结果不等于 BCI 有效性。可考虑复用消息传递、快照扫描和信息正则化机制，并改造 EEG 节点特征及邻接构建模块；低信噪比、跨被试差异、通道配置变化和小数据可能导致伪连接或结构过拟合。一个可检验的小实验是在固定数据划分与分类骨干下，对比固定图和 DG-Mamba 学习图在通道缺失或噪声扰动下的任务性能、运行时间及内存，并消融信息正则化。已有 EEG 相关工作尚未检索确认。