HOT：基于高效 Transformer 的高阶动态图表示学习

基于摘要分析。本文研究动态图中的链接预测：根据图更新历史，预测给定顶点对是否将建立连接。作者提出 HOT，在以图更新为 token 的 Transformer 建模框架中引入高阶图结构，并通过层次化注意力缓解额外的内存压力。 核心机制是利用 k-hop 邻居及包含目标顶点对的更一般子图，将这些高阶结构编码到 Transformer 的注意力矩阵中。其动机是补充单个图更新 token 难以直接表达的结构信息；针对高阶编码增加内存开销的问题，HOT 采用对注意力矩阵施加层次结构的方案。具体结构编码、层次划分、训练目标与复杂度尚未验证。 作者报告，在 MOOC 数据集的动态链接预测评估中，HOT 的 Accuracy 相较 DyGFormer、TGN 和 GraphMixer 分别高出 9%、7% 和 15%。摘要未给出绝对分数、百分比计算口径、数据划分及负样本构造，不能将这些数字改写为百分点，也不能外推到其他评估协议。作者称该设计兼顾预测准确性与较低内存占用，但摘要未提供内存测量数据；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为随时间更新的通道连接图，HOT 的高阶结构编码可能用于捕捉多通道连接上下文，但这一假设依赖可靠的动态图构建及明确的链接监督，并不等于原方法已适用于 BCI。可复用的是结构编码与层次化注意力思路，需要改造的是通道节点定义、连接估计和更新事件生成。低信噪比可能制造伪连接，跨被试通道差异及小数据也可能削弱效果。一个可证伪的小实验是在固定 EEG 图构建和时间划分下，对比加入与不加入高阶编码的动态链接预测性能及峰值内存；该结果仍不能替代 BCI 任务验证。已有 EEG 相关工作尚未检索确认。