RotDiff：用于信息扩散预测的双曲旋转表示模型

基于摘要分析。本文研究社交网络中的信息扩散预测，提出双曲旋转表示模型 RotDiff，以建模用户影响力的层级结构、扩散过程的非对称关系及级联内部的局部依赖；主要研究对象是社交用户与扩散级联，而非 EEG 或 BCI。 核心机制是将每个用户映射为 Lorentzian 向量，并通过两组变换编码社交图和扩散图中的全局社会因素。作者将双曲空间中表示的模长用于描述用户影响力强度，利用旋转变换表达复杂的非对称特征，并在不改变影响力强度的情况下建模不同社会因素。随后，模型结合双曲空间中的注意力机制与额外旋转变换，捕获给定级联中的局部扩散依赖。其方法动机是改善欧氏空间表示对层级结构的保留能力，同时区分影响力强度与扩散关系的变化。 作者报告，在五个真实世界信息扩散数据集上，RotDiff 优于多种先进扩散预测模型。摘要未提供数据集名称、预测目标的具体定义、数据划分、评价指标、基线名称或提升幅度，因此不能判断优势大小与适用边界；损失函数、训练和推理流程、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若某类 EEG 任务具有可明确构建的层级图及有向传播关系，双曲表示与旋转关系编码可能提供可检验的建模假设；但社交用户影响力并不等同于脑区连接或神经传播，摘要也未说明该机制适用于连续、低信噪比的神经信号，因此不宜直接迁移其效果结论。已有 EEG 相关工作尚未检索确认，当前材料不足以支持具体 BCI 复现实验方案。原任务复现需进一步取得图构建规则、级联处理方式、训练目标、评估协议及实现信息。