基于双曲几何的可扩展且有效的时序图表示学习

基于摘要分析。研究针对连续时间动态图（CTDG）中的时间演化与层级结构表示问题，提出双曲几何时序图神经网络 STGN^h，将记忆模块和结构模块统一起来，旨在降低复杂层级及幂律结构的表示失真，并支持大规模动态图学习。 核心机制：作者指出，欧氏空间的体积随半径多项式增长，难以低失真地容纳指数扩展的层级结构。STGN^h 因此采用双曲几何：以双曲更新门 HuG 作为记忆模块，高效存储时间动态；以双曲时序 Transformer HyT 作为结构模块，捕获复杂图结构并生成随时间更新的节点嵌入。摘要未说明具体双曲空间模型、更新公式、损失函数或时间邻域采样方式，不能据此确定其训练与推理实现。 结果与证据边界：作者报告，在多种中等规模和十亿级图上的下游任务实验中，STGN^h 显著优于基线。摘要未列出数据集、任务名称、划分协议、基线配置和指标，也未说明“十亿级”对应节点数还是边数；性能提升幅度、扩展性资源开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 动态连接图确实具有稳定的层级或幂律结构，双曲表示可能有助于缓解这类结构的嵌入失真，记忆模块也可能用于跟踪连接随时间的变化。但原论文研究对象是通用 CTDG，而非 EEG 或 BCI；迁移需先定义通道或脑区节点、动态边及时间事件，并适配原文尚未明确的监督目标。可考虑复用 HuG 与 HyT 的模块思路，但连续 EEG 转为事件图的过程需要改造；低信噪比可能使动态图边不稳定，被试与通道差异可能破坏共享层级，小数据也可能不足以支持复杂模型。一个可检验的小实验是在固定 EEG 图构建规则与跨被试划分下，对比容量匹配的欧氏与双曲时序编码器，并分别移除记忆模块、扰动图结构，检验收益是否来自几何与时间建模而非容量差异。已有 EEG 相关工作尚未检索确认。