TE-MDG：基于传递熵的突变感知动态图表示学习

基于摘要分析。本文研究社交网络、推荐系统等场景中的动态图表示学习，针对历史行为聚合可能削弱节点特征与交互中有意义变化的问题，提出 TE-MDG，以稳定演化模式为参照，选择性地将不同类型的突变纳入节点表示。这里的“突变”指图随时间发生的变化，并非生物学突变。 方法包含两个核心组件：Evolution Pattern Decoupling 学习一组时间原型，表征稳定演化模式，并为区分符合这些模式的 Rational Mutations 与偶发、无关的 Occasional Mutations 提供参照；Mutation Filtering 则使用传递熵度量并强化从时间原型到突变的信息增益，旨在保留前者、过滤后者。其关键思路不是仅汇总长期历史，而是借助学习到的演化参照筛选变化信息。具体传递熵估计方式、优化目标及推理流程尚未验证。 作者报告，在多个真实世界基准数据集的实验中，TE-MDG 优于所比较的先进基线；摘要未提供数据集名称、任务、划分、指标和具体数值，因此尚不能判断收益大小及适用边界。实验协议、消融及统计信息尚未验证。摘要提供匿名代码与数据入口，但其可访问性、内容及复现完整性尚未核验。 平台推测（待验证）：若将 EEG 通道及其时变关系构造成动态图，时间原型与突变筛选可能用于区分稳定任务相关变化和偶发扰动；这是假设，并非本文已验证的 EEG/BCI 结果。迁移需改造节点特征、图构建与时间尺度，并核对原方法对监督信号和数据规模的依赖。低信噪比、跨被试差异及有限数据可能使原型捕获伪迹，或使筛选过程误删真实的短暂神经活动。可在固定 EEG 划分与相同图编码器下，对比历史聚合、原型模块及完整筛选机制，并检验加入可控瞬态扰动后的任务性能变化。已有 EEG 相关工作尚未检索确认。