STREAM：用于多变量预测的动态图通道建模与自回归状态传播

基于摘要分析。本文研究多变量时间序列预测中的通道内动态、通道间结构依赖及其随运行状态变化的问题，提出 STREAM，并设计分别考察通道集合扩展与历史窗口延长的受控鲁棒性评估协议。研究对象是通用多变量预测，并非 EEG 解码或 BCI 任务。 核心机制是在每个时间片段内重新估计稀疏通道图，以建模随时间变化的通道依赖；时间依赖则由线性时间复杂度的选择性状态空间递推处理。作者提出，有界邻域可限制新增通道的影响，状态递推可支持更长上下文，并通过逐片段预测延伸至训练预测范围之外。上述内容属于作者给出的机制与能力描述，摘要未提供定量实验结果。 评估设计沿传感器图扩展通道集合，同时仅对固定核心通道评分，并独立延长历史窗口，旨在更有针对性地检验通道依赖建模，而非只在固定通道与固定回看窗口下比较性能。具体数据集、图构建方式、监督与训练目标、数据划分、基线、消融、统计信息及复现资源尚未验证；传感器故障和噪声是文中提出的部署动机，不能据此认定已有相应实验验证。 平台推测（待验证）：若 EEG 通道间关系能由局部稀疏图稳定表征，动态图与有界邻域可能用于缓解新增或异常通道对预测的干扰，状态递推则可能支持长时序处理。可复用模块是片段级图估计与状态递推，但需适配电极布局、参考方式和 EEG 预测目标；低信噪比、容积传导、跨被试差异及小数据条件可能使图估计不稳定。有界邻域也不等于对坏道或缺失通道具有鲁棒性。一个可证伪的小实验是在固定被试内划分与核心电极评分条件下，比较动态图、固定图和通道独立基线，逐步加入辅助电极，并独立改变历史长度，检查预测误差及计算开销。已有 EEG 相关工作尚未检索确认。