Temporal Graph Thumbnail：利用全局演化骨架实现鲁棒表示学习

基于摘要分析。本文研究时序图表示学习中噪声邻居导致信息传播不可靠，以及局部采样难以捕捉长期依赖的问题，提出 Temporal Graph Thumbnail（TGT），以时序图的全局演化骨架表征时间规律，并引导模型优化。 核心机制是利用 von Neumann 图熵与节点互信息，从原始时序图提取关键演化骨架，形成图的“缩略表示”。相较于调整时空邻居采样或建模时间依赖的方法，作者强调显式利用全局演化信息。不过，摘要未给出骨架构造流程、互信息估计方式、优化目标及其与基础模型的接口，尚不能判断 TGT 的具体实现与计算成本。 作者报告提供了理论推导，并通过实验表明 TGT 相较基线具有更好的性能与鲁棒性，尤其适用于快速演化及高噪声环境。摘要未列出数据集、任务、划分、噪声设置、基线名称或量化指标；实验协议、消融及统计信息尚未验证。摘要提供了代码入口，但代码内容与可复现条件尚未核对。 平台推测（待验证）：若将 EEG 通道间关系构造成时序图，TGT 的全局演化骨架可能用于降低瞬时连接噪声对表示学习的影响。该假设依赖具有可比节点和可靠时间结构的动态图数据；骨架提取与优化引导思路可能复用，但需改造 EEG 图构建及时间尺度选择。低信噪比、跨被试通道差异和小样本条件可能使骨架估计不稳定，也可能将短暂但有判别力的活动误作噪声。可在固定 EEG 图构建与数据划分下，对比同一基础模型加入与不加入 TGT，并施加受控连接扰动，检验其是否提升鲁棒性而不损害未扰动数据上的表现。已有 EEG 相关工作尚未检索确认。