基于神经网络的动态图表示学习：综述

基于摘要分析。本文综述动态图表示学习的问题设置与神经网络模型，重点比较不同 Dynamic Graph Neural Network（DGNN）对时间信息的建模方式，并为动态图学习模型设计提供一般性指导，而非提出或验证一种新的 BCI 算法。 动态图同时组织拓扑与时间信息，其学习问题结合了序列／时序处理与静态图学习的挑战。原文涉及社交网络预测、推荐系统、交通预测及 EEG 分析等应用。综述主要分析动态图监督学习设置，归纳既有模型在时间建模上的异同；摘要未给出具体分类体系、模型清单、数据集或定量比较。作者将 DGNN 描述为该领域的先进方法，但这一概括不能作为其在特定 EEG 任务上优于其他方法的证据。 平台推测（待验证）：若 EEG 被表示为随时间变化的通道关系图，该综述的时间建模比较框架可能有助于区分拓扑变化与节点信号变化的处理方式。可借鉴的是问题定义与模型选择框架；仍需针对 EEG 明确节点、边、时间窗口及监督目标。低信噪比可能导致连边不稳定，跨被试或通道配置变化可能破坏图结构的一致性，小数据条件下也可能出现过拟合。一个可检验的假设是：在相同 EEG 数据划分、节点特征与训练预算下，动态连边较固定连边能否带来稳定收益；该比较仅是平台提出的验证方向，不是本文结果。 尚未检索确认相关 EEG 工作；本文对 EEG 的具体讨论深度、文献覆盖、实验协议、消融及统计信息尚未验证，不能据此判断任何方法的 BCI 有效性。