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，关注如何在图表示中结合拓扑与时间信息，以及神经网络如何同时处理时序建模和静态图学习的挑战。其主要贡献是梳理动态图监督学习设置，按时间信息建模方式比较现有 Dynamic Graph Neural Network（DGNN），并汇总设计优化指南及不同任务的公开评估数据集。 原论文的主要研究对象是通用动态图学习，应用范围包括社交网络预测、推荐系统、交通预测和 EEG 分析，而非专门面向 BCI 的新算法。摘要将 DGNN 描述为该领域的主流先进方法，但未提供具体模型、基准协议或量化比较，不能据此判断某类 DGNN 在 EEG 上优于其他方法。综述涵盖哪些时间表示、监督信号与数据集，以及设计建议的证据基础，仍需查阅全文核对；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为随时间变化的通道或脑区关系图，本文关于时间建模方式的分类可能有助于区分拓扑变化与节点信号变化，并指导模型选型。这一假设依赖可靠的节点定义、连边估计、时间分辨率和任务监督；可参考其时间建模框架，但图构建、通道对齐和输出任务需针对 EEG 改造。低信噪比可能造成伪连接，跨被试通道及连接差异、小数据规模也可能削弱泛化。一个可检验的小实验是在固定 EEG 图构建方式和相同跨被试划分下，对比静态图模型与引入时间建模的动态图模型，检查收益能否跨被试保持。具体已有 EEG 相关工作尚未检索确认，该实验建议不代表本文已验证的结果。