用于演化网络聚类的动态随机子图模型

基于摘要分析。本文研究具有已知子图划分的演化网络聚类，将 random subgraph model（RSM）扩展为 dynamic random subgraph model（dRSM），通过状态空间模型描述簇比例随时间的变化。原研究对象是一般动态网络，应用案例为根据纸质 Lloyd’s 航行记录构建的海事网络，并非 EEG 或 BCI。 机制上，RSM 在已知网络划分内部建立潜在簇，以刻画节点的连接模式；dRSM 则为簇比例加入时间动态。作者提出变分期望最大化（VEM）算法进行推断，并指出，变分近似会导出一个涉及新状态空间模型的更新步骤，其参数和隐状态可通过标准 Kalman filter 与 Rauch–Tung–Striebel smoother 估计。摘要未提供状态转移方程、观测分布或变分近似的具体形式，不能据此认定其直接适用于任意时变图。 作者报告使用模拟数据评估该方法，并将 dRSM 及相应 VEM 算法应用于海事网络；摘要未给出具体指标、对照方法或数值结果，因而尚不能判断其相对静态聚类及其他动态网络方法的优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被构造成时间窗序列的连接网络，且存在有依据的预定义节点分区，可考虑复用其簇比例动态建模与状态估计思路，以检验聚类结构的时间稳定性。该假设需另行定义连接估计、边的统计模型及节点分区；低信噪比、窗口选择和跨被试通道差异可能使推断追踪连接估计噪声，而非真实变化。一个可证伪的小实验是在已知分区与簇比例变化的合成网络中逐步增加边噪声，对照静态 RSM，检验动态扩展能否更准确恢复变化轨迹。此实验仅检验机制，不构成 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。