连续时间动态图上表示学习的表达能力：以信息流为中心的综述

基于摘要分析。本文研究连续时间动态图（Continuous-Time Dynamic Graph，CTDG）上的图表示学习，重点综述自监督表示学习，并提出以 Information-Flow（IF，信息流）为中心的理论框架，分析模型传播与编码时间、结构信息的表达能力。 其主要研究对象是随时间演化的图，而非 EEG 或 BCI。框架试图从信息流角度刻画 CTDG 模型的能力，并据此按图类型和应用场景归类已有方法；同时讨论面向 CTDG 的预测式、对比式自监督学习，以降低对标签的依赖。摘要未提供表达能力的形式化定义、信息流的量化方式或具体训练目标，这些内容尚待正文核对。 作者报告，在合成与真实世界数据集上的实验支持其理论分析，并展示不同方法在长程、二部及社区结构图上的优势与局限。摘要未列出数据集名称、任务、划分、对照方法及指标，因此尚不能判断结论的适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道及其时变关系构建为 CTDG，该信息流视角可能用于分析动态图模型能否保留跨时间、跨通道依赖。可复用的是表达能力分析视角，需改造的是连续 EEG 到离散事件及图边的构建规则；低信噪比、通道配置差异和小样本可能使图结构主要反映噪声。一个可检验的假设是：在固定图构建方式及被试划分后，框架所区分的信息传播能力能够预测模型对不同时间跨度依赖的表现。可先用带可控跨通道延迟依赖的合成信号进行小规模检验，再评估真实 EEG；相关 EEG 工作尚未检索确认。