Intensity Profile Projection：连续时间动态网络表征学习框架

基于摘要分析。本文研究带时间戳的实体交互网络，提出 Intensity Profile Projection，将交互三元组 (i,j,t) 转换为各节点随时间连续变化的表征轨迹，用于描述节点行为的动态演化；原研究对象不是 EEG 或 BCI。 框架包含三个阶段：首先估计节点对之间的交互强度函数，例如使用核平滑；随后学习使强度重构误差最小化的投影；最后利用该投影构建动态节点表征。作者报告，所得轨迹满足结构一致性与时间一致性，并给出估计理论以控制轨迹估计误差。摘要未提供这两项性质的形式定义、重构目标的具体表达式或误差界的适用假设。 理论分析还解释了平滑的偏差—方差权衡：作者认为，算法可以通过汇聚网络范围的信息提高估计能力，并随信噪比增加降低平滑程度。作者据此提出，表征可能适用于对噪声较敏感的后续分析，但摘要未给出此类任务的实证结果。数据集、基线、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 可被合理表示为带时间戳的通道间或脑区间交互事件，该框架可能用于估计动态网络表征，以应对连接估计噪声与时间平滑之间的权衡。可复用部分是强度估计与重构投影；需改造并验证的是事件定义、节点对应关系及其与连续 EEG 信号的联系。低信噪比下的伪交互、跨被试通道差异及小数据导致的强度估计不稳定，可能使迁移失效。一个可检验的小实验是在具有已知网络变化时刻的模拟 EEG 中，比较该方法与滑窗网络表征在不同噪声水平下的变化定位误差，并固定事件提取规则以区分预处理与表征的贡献。已有 EEG 相关工作尚未检索确认。