UniDyG：面向大规模动态图的统一有效表征学习方法

基于摘要分析。该研究面向连续时间动态图（CTDGs）与离散时间动态图（DTDGs）的统一表征学习，提出 UniDyG，以建模不同时间粒度下的结构演化并抑制时间噪声；原研究对象是通用动态图，而非 EEG 或 BCI。 摘要将 CTDGs 的变化描述为快速、局部更新，将 DTDGs 的变化描述为渐进、全局更新。针对现有方法偏重时域局部动态传播的问题，UniDyG 引入 Fourier Graph Attention（FGAT），结合近期邻居与复数选择性聚合，建模局部及全局结构相关性。作者声称该机制可在理论上保证动态图表征随时间的一致性，并通过逼近理论论证其捕获两类动态图潜在结构的适用性；具体定义、假设与证明范围尚未验证。 在噪声处理上，方法使用能量门控单元，按能量自适应过滤高频噪声；随后以 FGAT 学习时间结构，并用频率增强的线性函数更新节点级动态表征。作者报告，在九个动态图、十六个基线的实验中，UniDyG 平均提升 14.4%。摘要未提供该增益对应的指标、计算口径、数据划分及具体任务，因此不能将其解释为 Accuracy 提升或百分点变化。大规模处理能力的资源开销、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被构造成通道或脑区节点及随时间变化的连接图，FGAT 的局部—全局聚合可能用于研究动态连接表征，但这依赖可靠的图构建、时间粒度选择及相应监督信号。可复用候选是动态图聚合与节点更新机制，需改造的是 EEG 图构建和频率筛选规则；图上的高频变化不能直接等同于 EEG 高频噪声。低信噪比、跨被试连接差异、通道配置变化及小样本都可能削弱其有效性。一个可检验的假设是：在固定 EEG 图构建、同一跨被试划分及同一任务指标下，比较完整模型与关闭能量门控的版本，检验门控是否改善任务表现及时间扰动鲁棒性。相关 EEG 工作尚未检索确认。