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，以刻画用户影响力的层级结构及传播过程的非对称关系；研究对象是社交用户与扩散级联，而非神经信号或 BCI。 核心机制是将每个用户映射为 Lorentzian 向量，以双曲空间中表示的模长描述影响力强度，并通过旋转变换表达复杂的非对称特征。作者认为，旋转能够在不改变影响力强度的情况下编码不同社会因素。模型使用两组变换分别编码社交图与扩散图中的全局社会因素，再结合双曲空间注意力与额外旋转，捕捉单个扩散级联内部的局部依赖。相较于摘要所述的欧氏空间方法，其主要方法动机是更好地保留层级结构，并区分影响强度与关系变化。 作者报告，RotDiff 在五个真实世界数据集的信息扩散预测实验中优于多种先进对照模型。摘要未提供数据集名称、预测目标的具体定义、划分协议、指标或提升幅度，因此不能据此判断收益大小与泛化范围；损失函数、训练和推理细节、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 任务中存在有依据的层级图结构及有向依赖，双曲表示与旋转建模或可作为结构化关系编码候选，但社交用户影响力不能直接对应脑区作用强度。可复用的是双曲关系表示与注意力思路；需要重新定义节点、边、监督目标及模长的生理或统计含义。低信噪比、跨被试差异、通道布局变化与小数据可能使图结构估计不稳。一个可证伪的小实验是在同一 EEG 数据划分和相同输入图下，对照欧氏关系编码、双曲编码及加入旋转的版本，检验旋转是否带来稳定增益；该方案不代表已证实的 BCI 效果，相关 EEG 工作尚未检索确认。