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。本文研究由离散时间点上的静态图快照序列构成的时序图，提出 GraphSSM，将结构信息纳入状态空间模型（SSMs）的理论框架，以建模随时间变化的图结构与动态过程；原论文的主要研究对象是通用时序图，而非 EEG 或 BCI。 核心机制是：以连续时间线性动力系统及其离散化表示为基础，通过拉普拉斯正则项，将图结构信息引入在线近似目标。作者指出，由此形成的连续时间系统带来新的算法挑战，并据此开发 GraphSSM。相较于仅将 RNN 或 Transformer 作为序列骨干，这一路径的研究价值在于把结构约束纳入动态建模目标，而不只是处理图快照的时间顺序。具体正则形式、图拉普拉斯构造、离散化与求解方法、训练和推理流程尚未验证。 作者报告 GraphSSM 在多个时序图基准上取得有效结果，但摘要未提供基准名称、任务、划分、对照基线、指标或数值。摘要以 RNN 的长程依赖困难和 Transformer 的二次计算复杂度作为研究动机，不能据此确认 GraphSSM 已取得特定复杂度或效率优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 可表示为通道节点及随时间变化的连接图，图结构正则与状态空间动态建模可能对应空间关联和长程时间依赖的联合建模需求。这一假设依赖可靠的图快照及合适的监督任务，摘要尚未明确原方法的监督方式与数据规模要求。可考虑复用其结构正则与动态建模思路，但需改造 EEG 图构造、时间窗口和输出模块；低信噪比导致的连接估计不稳定、跨被试差异、通道变化及小样本均可能使结构约束失效。一个可检验的小实验是在固定 EEG 数据划分和训练预算下，对照无图结构正则的 SSM 与引入该正则的模型，并扰动图边以检验收益是否确实来自结构信息。该建议不代表已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。