TGOnline：通过自适应在线元学习增强时序图学习

基于摘要分析。该研究针对时序图在周期性收集新边后预测性能退化的问题，提出自适应在线元学习框架 TGOnline，旨在利用历史模型参数中的知识，降低部署期间更新模型的成本，并缓解仅用新数据微调可能带来的灾难性遗忘。原研究对象是具有随时间变化节点连接的时序图，并非 EEG 或 BCI。 机制上，TGOnline 在多个数据收集周期上元训练全局参数，以增强时间泛化；再通过优化目标确定新参数如何利用全局参数，或更多依赖新数据。摘要未给出该目标的具体数学形式，不能据此确定其参数融合方式或损失实现。为减少在线更新开销，框架还引入边削减机制，跳过不提供额外信息的新边，并通过节点去重减少新数据训练批次内的重复计算；信息增益判定与去重实现尚未验证。 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 的效果优于 18 个基线，并相对常用重新训练策略实现约 30 倍加速。摘要未提供数据集名称、预测任务、具体指标、时间划分、硬件与计时边界，因此无法判断加速的适用条件或性能收益幅度；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 在线任务已被构造成持续到达连接边的时序图，跨收集周期的参数元训练可能对应跨会话漂移下的模型更新瓶颈。可考虑复用元训练与在线更新思路，但需改造 EEG 图构建、边的信息判定及预测目标；原机制依赖多周期图数据，其所需监督形式与数据规模尚不明确。低信噪比可能使边削减误删任务信息，通道变化可能破坏节点对应，小数据也可能导致元训练不稳定。一个可证伪的小实验是在固定通道、严格按时间划分的单一 EEG 任务上，对照重新训练与仅微调，分别记录任务指标、更新耗时及历史会话性能，再消融边削减机制。上述为迁移假设，已有 EEG 相关工作尚未检索确认。