消息传递状态空间模型：利用现代序列建模改进图学习

基于摘要分析。本文研究如何将 State-Space Models（SSMs）的序列建模机制用于图学习，同时保留图模型的置换等变性与消息传递结构。作者提出 MP-SSM，将现代 SSM 计算的关键原则直接嵌入 Message-Passing Neural Network 框架，形成面向静态图和时序图的统一方法。 机制与创新：作者指出，已有 Graph State-Space Models（GSSMs）通常先从图中提取序列，再应用 SSM 模块，这可能损害置换等变性、消息传递兼容性或计算效率。MP-SSM 改为在消息传递框架内实现 SSM 式计算；作者称其可支持高效、置换等变的长程信息传播，并具备类似现代 SSM 的优化并行实现。其另一项贡献是精确敏感性分析，用于理论刻画信息流，并分析深层设置下的梯度消失与过度压缩（over-squashing）。具体状态更新、图传播算子、参数化方式及并行实现条件尚未验证。 实验依据：作者报告在节点分类、图属性预测、长程基准和时空预测任务上验证了方法的通用性与较强经验表现。摘要未提供数据集名称、划分协议、对照基线、指标或数值，因此不能量化优势，也不能判断不同任务中的收益是否一致；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为以通道为节点、以连接关系为边的时序图，MP-SSM 的长程传播和敏感性分析可能对应跨通道、跨时间信息整合的需求。这一假设依赖图构建是否可靠及训练数据是否充分；可考虑复用消息传递与状态更新机制，但需改造 EEG 输入编码、连接定义及任务输出。低信噪比可能使长程传播扩散噪声，跨被试连接差异、通道配置变化和小数据训练也可能削弱收益。一个可检验的小实验是在固定 EEG 数据划分、图构建和训练预算下，对比 MP-SSM 与常规消息传递模型，考察加深模型后任务指标及梯度敏感性的变化；该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认。