RAGMO-Net：用于 EEG 的状态感知图记忆优化网络

基于摘要分析。该研究面向 EEG 连接关系的动态图建模，针对启发式记忆更新、矩阵形式循环状态转移的计算开销，以及非平稳动态下适应机制缺乏原则性依据等问题，提出 Regime-Aware Graph Memory Optimization Network（RAGMO-Net）。核心贡献是根据对应连接状态演变的潜在时序状态调节图记忆更新，并将记忆细化表述为状态感知的近端细化过程。 机制上，RAGMO-Net 使用由潜在时序状态条件化的仿射图记忆单元，状态转移为单位矩阵的标量倍数，避免矩阵形式的门控与非线性状态转移。作者称该设计实现了每个图快照的恒定成本更新；这一表述是否仅指特定状态转移操作，以及成本随节点数、边数和记忆维度如何变化，仍需正文核对。近端细化为记忆适应提供优化视角，将动态图学习与非平稳优化联系起来，但摘要未给出目标函数、近端算子、潜在状态识别方式或训练与推理流程。 作者报告，在 EEG 与非 EEG 数据集上，相对于较强的动态图基线取得一致改进，并据此认为状态感知与优化驱动的记忆适应有助于可扩展、稳健的非平稳动态图学习。摘要未提供具体任务、数据集、被试规模、评价指标、数值或被试内、跨被试、跨会话等划分协议，因此尚不能判断改进幅度或适用边界。 复现核对重点包括 EEG 图的构建方式、潜在时序状态的估计与更新规则、近端细化的实现，以及不同基线的计算成本统计口径。低信噪比或连接估计不稳定时，状态识别能否可靠驱动记忆适应仍待验证；实验协议、消融及统计信息尚未验证，代码与运行条件也尚未确认。