DyGMamba：利用状态空间模型高效建模连续时间动态图中的长期时间依赖

基于摘要分析。DyGMamba 面向连续时间动态图（CTDG）表示学习，试图同时解决长节点交互历史带来的计算开销，以及从长历史中识别关键时间信息的难题。其核心贡献是结合节点级与时间级状态空间模型（SSM），在编码历史交互的同时动态选择重要信息。 机制上，DyGMamba 源于 Mamba：节点级 SSM 首先编码节点历史交互序列，时间级 SSM 再提取历史图中的时间模式，并用其输出动态选择交互历史中的关键信息。摘要支持这种功能分工，但未说明选择操作、时间间隔编码、损失形式和训练细节，不能据此推断具体网络结构或复杂度阶数。 作者在动态图链接预测任务上验证该方法，并报告其在多数情况下达到最先进水平，同时保持较高的计算资源效率，使有限计算预算下捕获长期时间依赖成为可能。摘要未提供数据集、划分、对照基线、指标数值或资源测量条件，因此尚不能判断优势集中在哪类图、历史长度或预测协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能适用于将 EEG 表示为带时间戳交互事件图的研究，探索长时依赖与关键交互筛选，但原领域有效不等于 BCI 有效。可复用的是历史交互序列编码和时间信息选择思路；需要改造的是 EEG 通道或脑区节点定义、边事件构建及任务监督。其依赖的事件图结构与常规连续 EEG 信号并不等同，低信噪比可能产生不稳定边事件，跨被试通道差异和小数据也可能削弱选择机制。一个可检验的小实验是在固定 EEG 图构建、数据划分与计算预算下，对比完整机制和不使用时间级动态选择的版本，检查长历史是否带来稳定收益。已有 EEG 相关工作尚未检索确认；具体复现仍需取得全文及核对实现条件。