时序图上的状态空间模型：一项第一性原理研究

基于摘要分析。本文研究由离散时刻静态图快照组成的时序图，提出 GraphSSM，将图结构信息纳入状态空间模型（SSMs）的在线近似目标，以建模图随时间变化的动态过程。其主要研究对象是通用时序图，而非 EEG 或 BCI。 机制上，作者从底层连续时间线性动力系统的离散表示出发，在在线近似目标中加入 Laplacian 正则项，扩展 SSM 理论以处理图结构。摘要指出，由此得到的连续时间系统带来新的算法挑战，GraphSSM 是针对这些挑战提出的建模框架。其动机是缓解 RNN 的长程依赖建模困难及 Transformer 的二次计算复杂度，但摘要不足以确认 GraphSSM 的具体复杂度、离散化方案、训练损失与推理流程。 作者报告，GraphSSM 在多个时序图基准上的实验显示有效性；摘要未列出数据集、任务、划分、对照基线或指标数值，因而无法判断收益大小及适用边界。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：若 EEG 被表示为随时间变化的通道关系图，该结构正则化路径可能用于联合建模空间关系与时间依赖。可考虑复用图结构约束与状态更新机制，但需明确 EEG 图的构建依据、边权可靠性及跨被试通道对应；原论文对节点稳定性、监督形式和数据规模的要求尚未验证。低信噪比可能使图边不稳定，跨被试差异、通道缺失及小数据也可能削弱效果。一个可检验的小实验是在固定被试内划分、相同输入和训练预算下，对比带与不带 Laplacian 正则项的实现，并检查通道扰动下的性能和计算开销；该建议不代表已证实的 BCI 收益。已有 EEG 相关工作尚未检索确认。