DyG-Mamba：动态图上的连续状态空间建模

基于摘要分析。本文研究连续时间动态图学习，提出 DyG-Mamba，以不规则事件时间间隔作为状态空间模型（SSM）的控制信号，旨在改善动态图中长期依赖与时间信息的建模。主要研究对象是动态链接预测和动态节点分类，而非 EEG 解码或 BCI。 核心机制：作者认为，直接以输入内容作为 SSM 控制信号不适合采样间隔不规则的连续时间动态网络，可能导致模型对时间信息不敏感、泛化能力不足。受 Ebbinghaus 遗忘曲线启发，DyG-Mamba 改用不规则时间跨度控制 SSM，使历史事件记忆的演化与时间间隔关联。摘要未给出状态转移、控制信号映射、损失函数及训练与推理细节，尚不能判断其与其他时间感知动态图方法的具体结构差异。 结果与证据边界：作者报告，在涵盖动态链接预测和动态节点分类的 12 个数据集上，DyG-Mamba 在多数数据集达到其所称的最先进性能，并改善计算与内存效率。数据集名称、划分协议、对照基线、指标数值及效率测量条件未在摘要中提供；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，时间间隔驱动的状态更新可能适用于事件化或存在不规则采样的神经信号图，但原领域有效不等于 BCI 有效。该路径依赖明确的节点、交互事件、时间戳及任务监督；常规等间隔 EEG 不能直接视为同类输入。可考虑复用时间控制的 SSM 思路，但需改造电极或脑区图构建、信号编码与解码头。低信噪比可能使事件时间戳不稳定，跨被试及通道差异可能改变图结构，小数据可能限制泛化。小规模可证伪实验可在固定 EEG 任务与划分下，仅比较内容控制和时间间隔控制，并测试不规则采样扰动是否带来稳定收益。已有 EEG 相关工作尚未检索确认。