Intensity Profile Projection：动态网络的连续时间表示学习框架

基于摘要分析。本文研究连续时间动态网络的表示学习：输入为实体间带时间戳的交互三元组 (i,j,t)，输出为每个节点随时间演化、表征其行为的连续轨迹。作者提出 Intensity Profile Projection，将成对交互强度估计与投影学习结合，并提供轨迹估计误差的理论分析。 框架分为三阶段：先估计节点对之间的强度函数，例如采用核平滑；再学习使强度重构误差最小化的投影；最后利用该投影构造动态节点表示。作者报告，这些轨迹满足结构一致性与时间一致性两项性质，并将其视为可靠推断的基础。摘要未给出两项性质的形式化定义、重构误差的具体形式或投影求解细节。 作者报告，其估计理论能够紧致控制估计轨迹的误差，并据此提出表示可用于对噪声较敏感的后续分析。理论还解释了平滑的偏差—方差权衡：算法通过跨网络共享统计信息，在信噪比提高时可降低平滑程度。适用假设、误差界的具体形式、实验协议、对照、消融及统计信息尚未验证，摘要亦未提供可核对的实验指标。 平台推测（待验证）：该机制可能适用于以交互事件描述的 EEG 动态网络，探索如何在噪声下稳定估计时变节点表示；但原论文处理的是事件三元组，而非连续 EEG 波形。可复用部分是强度估计与投影框架，需要另行设计通道或脑区之间的事件定义，并核对事件强度是否具有生理解释。低信噪比、事件稀疏、通道布局差异及小样本可能使强度估计不稳定，过度平滑也可能抹去短暂变化。一个可证伪的小实验是先在具有已知动态结构和可控噪声的合成事件网络上，比较该方法与独立成对强度平滑的轨迹重构误差，再决定是否开展 EEG 验证。已有 EEG 相关工作尚未检索确认，不能将原领域的理论结果视为 BCI 有效性的证据。