协同演化黎曼空间上的序列交互网络对比学习

基于摘要分析。本文研究推荐系统等场景中序列交互网络的未来交互预测，提出 CSincere，以一对协同演化的黎曼表示空间刻画用户与物品等不同类型节点，并通过对比学习减少对标签信息的依赖；研究对象并非 EEG 或 BCI。 方法针对三个问题展开：不同类型节点是否应共享同一表示空间、交互持续到来时空间曲率是否需要变化，以及能否不依赖标签学习。CSincere 使用 Cross-Space Aggregation 在不同黎曼几何的表示空间之间传递消息，以基于 Ricci 曲率的 Neural Curvature Estimator 建模空间随时间的演化，再通过 Reweighed Co-Contrast 对序列网络的时间视图进行协同对比，使两个空间共同参与无标签交互预测。其数据结构依赖带时间信息的二部交互网络；具体损失、视图构造、重加权规则及训练规模尚未验证。 作者报告，在 5 个公开数据集的实验中，CSincere 优于所比较的现有方法。摘要未给出数据集名称、划分方式、评价指标、数值及基线细节，因此尚不能判断优势大小或适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能合理构造成随时间变化的异构二部图，可探索以双空间表示处理不同节点类型，并以时间视图对比学习应对标签稀缺；这不等同于已有 EEG 效果。可复用的是跨空间消息传递与曲率估计思路，需改造的是节点与边的定义、时间视图及下游任务接口。低信噪比可能使曲率估计不稳定，通道差异、跨被试变化及小数据也可能削弱收益。一个可证伪的小实验是在固定 EEG 图构造及跨被试划分下，对照固定曲率单空间、固定曲率双空间和协同演化双空间，检验动态曲率是否带来稳定增益。相关 EEG 工作尚未检索确认。