融合结构角色的时序图表示学习

基于摘要分析。本文研究时序图表示学习，针对现有方法主要建模局部结构依赖、可能低估全局结构角色信息的问题，提出 Role-based Temporal Graph Convolution Network（RTGCN），将静态结构角色、角色随时间的演化及结构角色邻近性共同纳入表示学习。 机制上，RTGCN 使用超图卷积神经网络捕获静态全局结构角色，通过基于结构角色的门控循环单元建模节点角色演化，并在目标函数中引入结构角色邻近性，以保持全局结构相似性。其主要研究对象是一般时序图，而非 EEG 或 BCI；摘要未说明角色提取、超图构建及损失函数的具体形式。 作者报告，在多个真实世界数据集的时序链接预测和节点分类任务中，RTGCN 优于所比较的方法：链接预测 AUC 提升最高为 5.1%，新链接预测 F1 提升最高为 6.2%，节点分类与结构角色分类 AUC 分别提升最高为 4.6% 和 2.7%。摘要未列明这些最大增益对应的数据集、基线及划分协议，也未明确百分比指相对提升还是百分点差，因此不能据此作跨任务比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被构造成具有一致节点定义的动态连接图，结构角色建模可能用于补充局部连接特征，描述连接模式相似但未必直接相连的节点及其角色变化。这一假设依赖可靠的连接估计、时间窗和跨被试节点对齐；可借鉴角色编码与时序建模思路，但需改造图构建及任务输出模块。低信噪比、通道差异和小样本可能使角色估计不稳定。一个可检验的小实验是在固定 EEG 图构建方式及跨被试划分下，对照局部时序图模型，逐项加入静态角色、角色演化与角色邻近性约束，检验增益及通道扰动下的稳定性。已有 EEG 相关工作尚未检索确认。