Graph State Networks（GSNs）：持久化逐节点选择性状态空间模型

基于摘要分析。该研究面向时间戳交互流构成的时序图，提出 Graph State Networks（GSNs），通过持久化逐节点状态与内容、时间依赖的选择性更新保留历史信息，并分析记忆容量、召回与遗忘行为。其主要研究对象是动态链接预测，而非 EEG 或 BCI。 机制上，GSNs 将时间交互分桶，在显式、按节点 ID 索引的状态表中保存隐藏状态；每个桶读取当前状态，经时间感知的 Mamba-like 机制更新，再通过由 commit-rate 控制的指数移动平均写回。相较于查询时重新计算滑动邻域历史，或记忆保留控制有限的模型，该设计将长期记忆保留变成可调参数。在空桶动力学满足增量稳定性假设时，作者给出单个历史事件影响的几何遗忘界，其有效衰减由空桶动力学的收缩性与提交机制共同决定；这不是对任意输入序列的无条件保证。 作者报告，在标准动态链接预测基准上，GSNs 的 Average Precision（AP）表现具有竞争力，较强收益出现在若干归纳设置中，而 AUC-ROC 结果更为混合。摘要未提供基准名称、划分、具体分数及对照配置，不能据此认定全面领先。作者还报告，在共享后续空白序列、空白更新含小幅非零状态噪声的合成 write-wait-read 探针中，写入相对零写入的影响在主要运行区间呈近指数衰减；模拟支持该趋势，并显示较大 commit-rate 下存在非零底部。作者称提供扩展实现，但实现获取方式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 被表示为节点身份稳定的时序交互图，逐节点记忆与可调遗忘或可用于持续跟踪通道关系；这依赖图构建、监督任务及足够的连续观测。状态表与提交机制可能复用，但时间分桶、边定义和预测头需改造。低信噪比可能使噪声写入长期记忆，跨被试通道对应差异与小数据也可能削弱收益。一个可检验的小实验是在固定 EEG 图构建与数据划分下，仅比较持久状态、状态重置及不同 commit-rate，检验记忆收益是否稳定，并核对状态重置是否符合划分边界。已有 EEG 相关工作尚未检索确认。