基于序贯生存过程的连续时间图表示

基于摘要分析。本文研究连续时间动态网络中边的持续存在与持续缺失如何被表示，提出 GraSSP（Graph Representation with Sequential Survival Process），以基于生存函数的随机过程刻画两种状态的持续时间，而非仅把连接视为瞬时事件。 核心机制是为间歇性存在且具有持续性的边构造通用似然，并将其应用于连续时间动态潜在距离模型；该模型通过节点在潜在空间中的分段线性运动描述网络演化。其主要方法区别在于显式利用边状态的驻留时间，而不只采用离散时间网络或连接事件时间。具体生存函数、似然形式、参数估计及推理流程在摘要中未展开。 作者报告，在链路预测和网络补全等下游任务的定量评估中，该框架能够追踪节点潜在轨迹并捕获演化网络结构特征。摘要未提供数据集、划分协议、对照基线或数值，因此尚不能判断收益大小及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应 EEG 动态功能连接中“连接维持多久、断开多久”的建模问题。该假设依赖于能够从连续信号中可靠提取带时间区间的边状态；可复用的是持续时间似然和潜在轨迹表征，需改造的是 EEG 连接估计、边状态判定及通道对齐。低信噪比可能造成伪切换，被试差异、通道配置变化和小数据可能削弱持续时间估计。一个可证伪的小实验是固定 EEG 连接估计与数据划分，在相同潜在模型下比较持续时间建模与瞬时事件建模对留出时段链路预测的表现，并检验结果对边判定阈值的敏感性。此推断并非已证实的 EEG 或 BCI 效果，已有 EEG 相关工作尚未检索确认。