TGOnline：通过自适应在线元学习增强时序图学习

基于摘要分析。本文研究时序图在持续收集新边后出现的预测性能退化，提出自适应在线元学习框架 TGOnline，利用历史参数中的知识适应新数据，以减少反复重训练的成本，并应对单纯微调可能带来的灾难性遗忘。原始研究对象是具有时变节点连接的时序图，而非 EEG 或 BCI。 机制上，TGOnline 在多个数据收集时段上元训练全局参数，以增强时间泛化；在线更新时，通过优化目标决定新参数应在多大程度上依赖全局参数或新数据。为降低更新开销，框架还引入边约减机制，跳过不提供额外信息的新边，并在训练批次内执行节点去重，避免重复计算。摘要未给出损失函数、元训练与在线更新的具体流程，也未说明边信息量的判定标准。 作者报告，在四个真实时序图上的在线表示学习实验中，TGOnline 优于所比较的 18 个基线；相较常用重训练策略，作者报告其预测表现更好，并达到约 30 倍加速。数据集名称、任务与指标、时间划分、更新频率、硬件条件和计时范围尚未验证，因此不能据此判断收益适用于哪些部署规模；消融及统计信息同样尚未验证。 平台推测（待验证）：若 EEG 被表示为随时间更新的通道或脑区连接图，其跨时段知识复用机制可能用于研究跨会话漂移下的在线适应，但这是迁移假设。可考察复用元训练及参数适应框架，需改造图构建、边信息量判据和监督任务；低信噪比可能导致边约减误删短暂有效连接，被试差异、通道变化与小样本也可能削弱全局参数的适用性。一个可证伪的小实验是固定 EEG 图构建方法，按会话时间顺序更新，在相同标签预算下比较重训练、微调与该框架的预测表现和更新时间，并单独检验边约减是否损害表现。已有 EEG 相关工作尚未检索确认。