消息传递状态空间模型：利用现代序列建模改进图学习

基于摘要分析。该研究针对现有 Graph State-Space Models（GSSMs）将图转换为序列后，可能损害置换等变性、消息传递兼容性及计算效率的问题，提出 MP-SSM：将现代 State-Space Models（SSMs）的关键计算原则直接嵌入 Message-Passing Neural Network 框架，统一处理静态图与时序图。其主要研究对象是通用图学习，而非 EEG 或 BCI。 机制与贡献：不同于先从图中提取序列再应用 SSM 的路线，MP-SSM 保留消息传递的架构形式。作者称该方法支持高效、置换等变的长程信息传播，并可进行精确敏感性分析，用于理论刻画深层信息流、梯度消失与 over-squashing（信息过度压缩）问题；设计还支持类似现代 SSM 的高度优化并行实现。具体状态更新、图结构如何参与计算、训练目标及并行复杂度尚未验证。 评估证据：作者报告在节点分类、图属性预测、长程基准和时空预测任务上验证了方法，并报告较强的经验表现。摘要未提供具体数据集、划分协议、对照方法、指标或数值，因此尚不能量化相对收益，也不能判断收益是否来自信息传播机制或实现优化。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 通道或脑区被建模为图节点，MP-SSM 的长程传播机制可能用于检验跨通道依赖建模中的信息压缩瓶颈。可考虑复用其消息传递与敏感性分析框架，但需适配 EEG 节点特征、时间窗口和图构建方式；原任务所依赖的图结构、监督及训练规模尚不明确。低信噪比、通道缺失、跨被试连接差异及小样本可能使长程传播放大噪声或导致过拟合。 一个可证伪的小实验是在固定 EEG 数据划分、通道图和输入特征条件下，对比 MP-SSM 与常规消息传递基线，检验随传播深度增加，分类表现及梯度敏感性是否更稳定，并加入通道缺失扰动；被试内与跨被试结果应分别报告。该建议不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认；复现前需取得全文并核对实现与理论分析的适用条件。