基于双曲几何的可扩展高效时序图表示学习

基于摘要分析。本文研究连续时间动态图（CTDG）的表示学习，提出双曲时序图神经网络 STGN^h，将时序记忆与图结构建模结合，用于表示随时间演化且具有层级、幂律结构的图；原研究对象是通用动态图，而非 EEG 或 BCI。 作者的出发点是：欧氏空间的体积随半径呈多项式增长，难以低失真地容纳按指数规模扩展的层级结构。STGN^h 在统一框架中设置记忆模块与结构模块：双曲更新门 HuG 用于高效存储时序动态，双曲时序 Transformer HyT 用于捕获复杂图结构并生成更新后的节点嵌入。摘要未提供具体损失、几何运算实现、训练采样方式或推理流程。 作者报告，在多种中等规模及十亿级图上的下游任务中，STGN^h 优于对照基线，并具备十亿级图扩展能力。但摘要未列出数据集名称、任务、划分、基线、指标数值及资源成本，因此效果幅度与扩展性边界尚不能独立核对；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 表示为带时间戳的通道或脑区交互图，HuG 的时序记忆与 HyT 的结构编码可能对应动态连接建模需求；这一假设依赖稳定、可解释的图构建，以及真实存在的层级结构。可考虑复用记忆与结构建模思路，但需改造节点特征、边事件定义和时间尺度。低信噪比可能使边事件不稳定，通道差异与跨被试变化可能破坏图结构，小数据也可能不足以支持复杂表示学习。一个可证伪的小实验是在固定 EEG 图构建和严格跨被试划分下，对照双曲与欧氏版本，并分别检验 HuG、HyT 的贡献；若收益对图阈值高度敏感，则迁移依据较弱。已有 EEG 相关工作尚未检索确认。