ConTIG：时序交互图上的连续表示学习

基于摘要分析。ConTIG 面向 Web 与社交图应用中的时序交互图（TIG）表示学习，研究如何刻画节点嵌入随时间连续变化的轨迹，而非仅在交互发生时离散更新。其核心贡献是将连续状态推断与历史交互聚合结合，以利用动态网络中的最新交互、邻居特征和节点内在特性。 方法包含两个模块：更新模块使用基于常微分方程的连续推断块，从时间相邻的交互模式中学习节点状态轨迹；变换模块通过自注意力聚合历史时序交互信息，预测未来节点嵌入。摘要未给出微分方程的具体形式、损失函数、训练采样方式及计算开销，这些细节尚未验证。 作者报告，在四个数据集的时序链接预测、时序节点推荐和动态节点分类任务中，ConTIG 优于所比较的一系列先进基线，尤其适用于长间隔交互预测。摘要未提供数据集名称、划分方式、指标及具体数值，因此尚不能判断优势幅度或不同任务间的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其连续轨迹机制可能适用于由 EEG 通道或脑区构建的时变连接图，但这是跨领域假设，不是论文已验证的 BCI 结果。迁移依赖可信的节点特征、连接估计和时间信息；可借鉴连续状态推断与历史聚合模块，但需重新定义 EEG 图的交互事件、边权和任务监督。低信噪比导致的伪连接、跨被试差异、通道不一致及小数据均可能削弱效果。一个可证伪的小实验是在固定 EEG 图构建规则及跨被试划分下，对比连续推断与离散更新版本，并改变连接采样间隔，检验连续建模是否带来稳定增益。已有 EEG 相关工作尚未检索确认。