追踪标签变化节点：用于动态图节点分类的变化感知框架

基于摘要分析。本文研究动态图中节点类别随时间变化时的分类失效问题，提出模型无关的变化感知框架 CHASE，并贡献三个具有自然标签变化的动态图基准。研究对象是用户行为、研究领域或企业风险状态等实体演化形成的动态图，并非 EEG 或 BCI。 作者将相邻快照间标签发生变化的节点称为 shifters，并报告：在所考察的主要动态图神经网络架构中，这些节点的分类性能持续低于标签稳定的节点，错误集中于旧标签。作者的结构分析将该现象归因于“嵌入惯性”：邻域聚合使变化节点的表征仍靠近旧类别中心，尤其当邻域仍与旧类别一致时更明显。CHASE 包装现有动态 GNN，通过针对性组件检测标签变化并覆盖过时的邻域信号；具体检测方式、监督需求、损失及训练流程尚未验证。 作者报告，CHASE 在所有测试模型和数据集上改善了变化节点性能，同时保持稳定节点性能；Accuracy 和 F1 的改善幅度最高分别为 114.9% 和 202.5%。摘要未给出这些最大改善对应的数据集、基线、划分及提升计算口径，不能将其理解为百分点增益或两项指标在同一设置下同时达到的结果。三个新增基准的名称、规模、标签来源，以及实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与复现条件尚未核查。 平台推测（待验证）：假设 EEG 任务被明确构造成具有跨时间节点身份、时变节点标签及可用邻域的动态图，旧邻域可能使表征滞后于状态变化，CHASE 的纠偏思路才具有对应路径。动态 GNN 包装机制可能可复用，但节点定义、图构建、标签变化监督与因果推理流程需要改造；EEG 低信噪比、通道变化、跨被试差异及小样本可能导致变化误检。一个可检验的小实验是，在明确节点标签含义的 EEG 动态图任务上按时间隔离训练与测试，对比原动态 GNN 和加入 CHASE 后变化节点与稳定节点的 Accuracy、F1，并核查推理是否依赖不可获得的当前标签。已有 EEG 相关工作尚未检索确认。