TGOnline：通过自适应在线元学习增强时序图学习

基于摘要分析。本文研究时序图在周期性收集新边后，如何高效更新表示模型并维持部署期间的预测性能，提出自适应在线元学习框架 TGOnline。其主要对象是连接关系随时间变化的图，而非 EEG 或 BCI；核心思路是在吸收新数据时利用既有模型参数中的知识，减少完整重训练的开销，并应对仅微调可能出现的灾难性遗忘。 机制上，TGOnline 在多个数据收集周期上元训练全局参数，以提升时间泛化能力，并通过优化目标确定新参数对全局参数与新数据的依赖。摘要未给出具体目标函数或参数更新形式。为降低在线更新成本，框架还采用边约简机制，跳过不提供额外信息的新边，并通过节点去重避免新数据训练批次中的重复计算。 作者报告，在四个真实世界时序图上的在线表示学习实验中，TGOnline 优于 18 个基线；相较常用重训练策略，预测表现更好且实现约 30 倍加速。摘要未列出数据集名称、预测任务、指标、时间划分、硬件与计时范围，因此这些结果仅能在作者所述实验背景下理解，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 表示为随时间更新的通道或脑区连接图，跨周期元训练与在线适应可能对应跨会话连接模式漂移这一瓶颈。该假设依赖可稳定构建的时序边，以及与原方法兼容的训练目标；可考虑复用参数适应框架，但需改造图构建与边信息量判定。低信噪比、通道变化及小样本可能使真实变化与噪声难以区分，边约简也可能滤除短暂但有判别力的连接。一个可证伪的小实验是：在固定 EEG 图构建与预测任务下，按会话时间顺序比较重训练、微调和 TGOnline 式适应，同时记录预测指标、更新耗时，并消融边约简。已有相关 EEG 工作尚未检索确认。