DG-FDE：通过图神经分数阶微分方程进行动态图表示学习

基于摘要分析。该研究面向动态图上的节点属性预测与时序链接预测，针对节点状态依赖多尺度历史交互的问题，提出连续时间模型 DG-FDE，将节点表示的演化描述为 Caputo 分数阶微分方程，以统一建模图传播与时间记忆。 机制上，模型利用等价的 Volterra 积分形式，由 GNN 描述随时间变化的图响应，再通过分数阶记忆核聚合历史信号，使历史图结构能够以非局部方式影响当前节点表示。作者报告证明了有限时间范围内的适定性，并推导了历史图快照如何影响节点表示的显式刻画；具体假设、核参数设置、数值求解方式及计算开销尚未验证。 作者报告，DG-FDE 在标准任务上优于其整数阶变体及较强的动态图基线。摘要未给出数据集、划分协议、指标和具体数值，因而不能判断收益幅度、不同时间尺度下的稳定性或比较条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被组织为节点语义一致、带时间信息的动态图，该机制可能用于检验长时依赖是否有助于神经信号表示，但原领域结果不构成 BCI 有效性的证据。可复用的是图响应与历史记忆的联合演化框架；需改造的是 EEG 节点特征、连边方式及任务监督。低信噪比可能使记忆核持续累积伪迹，跨被试及通道配置变化可能破坏图结构的一致性，小数据也可能限制参数估计。一个可证伪的小实验是在固定 EEG 图构建、编码器与被试内划分的条件下，对比分数阶模型和整数阶变体，并改变历史窗口，检验收益是否随有效历史增加而保持。相关 EEG 工作尚未检索确认。