图变量神经网络（Graph Variate Neural Networks）

基于摘要分析。本文主要研究动态时空信号的建模，提出 Graph-Variate Neural Networks（GVNNs），以信号依赖的连接张量进行时空卷积，将长期稳定的连接支撑与瞬时、数据驱动的交互结合；研究同时在预测任务和 EEG 运动想象分类中评估其应用。 核心机制：传统 GNN 通常依赖预先存在的图结构，而该结构可能并不存在，或与信号独立构建。本文基于 Graph Variate Signal Analysis（GVSA）及图信号处理工具，利用多通道数据构建随时间变化的功能连接网络，在稳定支撑上表达逐时刻的统计依赖。作者称该设计无需临时设定的滑动窗口，并可实现关于序列长度的线性复杂度；这一复杂度表述不等于对通道数也具有线性复杂度。连接统计量、稳定支撑的估计方式、层结构、训练损失与推理流程尚未验证。 结果：作者报告，在所评估的预测基准中，GVNNs 持续优于较强的图模型基线，并与 LSTMs、Transformers 等常用序列模型具有竞争力；在 EEG 运动想象分类中，作者报告取得较高 Accuracy。摘要未提供数据集、被试数、具体数值、数据划分或被试内／跨被试／跨会话协议，因此不能据此量化增益或判断泛化能力。 阅读与复现重点：应核对稳定支撑和瞬时交互各自的贡献、连接估计在训练与测试阶段的处理方式，以及计算开销的完整条件。对 EEG 应重点核对预处理、通道配置、划分协议、对照基线及统计不确定性。实验协议、消融及统计信息尚未验证，代码与复现资源的可用性也尚未验证。本文已包含 EEG 应用，但摘要中的结果仍不能替代对实际 BCI 使用条件下有效性的验证。