无需回溯：一种高效且可扩展的时序网络表示学习方法

基于摘要分析。本文研究时序图表示学习（TGRL）中邻居采样带来的计算开销与推理延迟，提出 No-Looking-Back（NLB）框架，通过前向近期采样策略维护有限的近期交互记录，避免查询时回溯节点交互历史。主要贡献是面向 GPU 的采样与存储机制，而非针对 EEG 或 BCI 的解码方法。 机制上，NLB 为每个节点维护可在 GPU 上执行、容量受限的哈希表，记录经过降采样的近期交互集合，以支持快速查询。作者报告该哈希表的维护复杂度为 O(1)，并强调其对 GPU 可编程性、并行处理和能效的支持。摘要未说明具体降采样规则、时间信息编码、表示学习目标及预测器结构，这些细节尚未验证。 作者报告，在六个真实世界数据集的链接预测、节点分类等任务中，NLB 的准确性达到或超过所比较的先进方法；相对于竞争基线，训练加速为 1.32–4.40 倍、能效提升为 1.2–7.94 倍、推理延迟改善倍数为 1.63–12.95。上述范围对应摘要中的多数据集评估，但具体数据集、数据划分、基线、硬件与测量口径未提供，不能据此比较不同协议下的效果。实验协议、消融及统计信息尚未验证。摘要提供了代码链接，运行依赖和复现配置仍需核对。 平台推测（待验证）：若 EEG 分析已被建模为持续到达的节点交互流，该机制可能缓解在线动态图邻居查询的开销；可复用的是有界交互缓存与 GPU 查询机制，需改造的是 EEG 通道或脑区的节点定义、交互构造及时间尺度。此假设依赖合理的动态图结构，不能直接套用于原始 EEG 序列。低信噪比可能使缓存充满伪交互，近期降采样也可能丢失长程信息；跨被试连接差异、通道变化及小数据条件均可能限制效果。一个可证伪的小实验是在固定 EEG 图构造、预测器和被试内划分下，仅替换历史回溯采样与 NLB 式采样，同时测量任务指标、延迟、显存及不同缓存容量的影响。已有 EEG 相关工作尚未检索确认。