STG-Mamba：通过选择性状态空间模型进行时空图学习

基于摘要分析。本文面向动态、异质且非平稳的时空图（STG）预测问题，提出 STG-Mamba，将图网络视为随时间演化的系统，以选择性状态空间模型学习潜在时空特征，并结合 Kalman Filtering Graph Neural Networks（KFGN）融合不同时间粒度的图嵌入。 核心机制：作者认为，既有部分 GNN 方法侧重节点间关系，对系统内在特征随时间演化的建模不足。STG-Mamba 使用 Spatial-Temporal Selective State Space Module（ST-S3M）关注选定的 STG 潜在特征；KFGN 则采用基于 Kalman Filtering 统计理论的可学习方法，动态整合并更新多时间粒度嵌入。摘要未披露具体状态更新方程、图构建方式、损失函数及训练设置，不能据此确定其实现细节。作者将该工作称为利用选择性状态空间模型开展 STG 学习的首次探索，该优先性尚未独立核实。 结果与复现：作者报告，在三个 STG 预测基准数据集上，STG-Mamba 的预测表现优于所比较的现有方法，并降低 FLOPs 与测试推理时间。摘要未提供数据集名称、划分协议、指标数值、对照配置或计时条件，性能与效率优势的幅度及适用范围尚未验证；实验协议、消融及统计信息尚未验证。材料提供了实现代码地址，但代码内容与可复现性未核验。 平台推测（待验证）：若将 EEG 通道作为节点、时间窗作为动态图序列，系统状态演化与多时间粒度融合可能对应 EEG 非平稳性及不同时间尺度信息整合的瓶颈。这一假设依赖可靠的图结构和足够的时序训练数据，不能由原领域结果直接推出 BCI 有效性。可考察复用 ST-S3M 与 KFGN，但需改造通道图、输入特征和任务输出；低信噪比、跨被试差异、通道配置变化及小样本可能削弱状态估计和嵌入融合。一个可检验的小实验是在固定 EEG 数据划分与相同输入条件下，比较基础图时序模型、加入 ST-S3M、再加入 KFGN 的任务指标及推理耗时。已有 EEG 相关工作尚未检索确认。