利用状态空间模型学习连续时间动态图上的长程时空表示

基于摘要分析。本文研究连续时间动态图（CTDGs）中的长程信息传播，提出状态空间建模框架 CTDG-SSM，旨在联合保留长期时间信息与多跳图结构信息，突破局部时间邻域建模的限制。原论文的主要对象是随时间演化的关系数据，并非 EEG 或 BCI。 核心机制是连续时间拓扑感知高阶多项式投影算子 CTT-HiPPO：作者将经典 HiPPO 的解通过图拉普拉斯矩阵的多项式进行投影，形成同时编码时间动态与图结构的记忆更新，并推导其等价状态空间形式 CTDG-SSM。随后使用零阶保持方法获得便于实现的离散形式。作者将该框架描述为参数高效，但摘要未提供参数量、计算开销、具体损失函数或训练设置。 作者报告，CTDG-SSM 在动态链接预测、动态节点分类和序列分类的基准评估中达到当时最优性能，尤其在需要长程时间与空间推理的数据集上取得较大增益。摘要未列出数据集名称、指标、数值、划分与对照基线，因此目前不能核对增益幅度或比较公平性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可形成一个 EEG 迁移假设，即把电极或脑区视为节点，以时间变化的连接关系构建图，尝试同时建模跨通道依赖与较长时间上下文。其前提是能够可靠定义动态图拓扑、时间戳及任务监督；可复用的是拓扑感知记忆与状态空间更新，需改造的是图构建和信号输入。低信噪比可能使连接估计不稳定，跨被试及通道配置差异可能改变拉普拉斯结构，小数据也可能无法支撑动态图学习。一个可检验的小实验是在固定 EEG 任务与相同数据划分下，对照拓扑感知更新、无拓扑更新及局部时间模型，检验增益是否来自图结构与长程记忆，并核对参数及计算预算。已有 EEG 相关工作尚未检索确认。