基于 Graphon 与神经逆算子的复杂网络生成模型

基于摘要分析。该研究主要面向复杂网络生成与参数恢复，尝试统一机制模型的可解释性和深度生成模型的摊销推断能力，并非 EEG 基础模型研究。其核心贡献是在函数空间中同时描述生成过程与参数恢复，利用 multifractal step graphon 和神经逆算子处理未在训练中出现的图规模。 机制上，multifractal step graphon 通过递归构造扩展标准 step graphon，以紧凑参数描述复杂网络；神经逆算子则从观测网络恢复这些参数。模型仅使用合成的 multifractal step graphon 网络实例训练。摘要未披露网络表示、逆算子结构、训练损失及图规模范围，尚不能核实可解释性的具体形式与适用边界。 作者报告，在零样本图生成基准中，与在真实网络上预训练的图基础模型比较，该方法在四项指标中的三项取得最佳平均表现；指标名称、基准组成和统计不确定性尚未验证。在单次观测网络场景中，作者报告其表现与逐图优化的实例特定方法相当。这些结果支持的是图生成与参数反演能力，不能直接等同于 EEG 解码性能。 EEG 方面，作者报告在多被试案例中，推断参数比传统网络统计量更敏感地跟踪了可逆脑状态变化。被试数、状态定义、EEG 到网络的构建方式、被试划分及统计检验尚未验证，也无法据此判断其跨被试泛化或在线 BCI 实用性。 平台推测（待验证）：若 EEG 网络构建稳定，这些生成参数可能成为脑状态表征，但需适配通道与节点定义，并检验低信噪比、网络阈值和被试差异是否主导参数变化。可在固定网络构建规则和被试隔离评估下，对比推断参数与传统网络统计量区分状态的能力，并加入噪声及通道扰动检验。该假设不代表已验证的 BCI 效果；其他相关 EEG 工作尚未检索确认。完整实验协议、消融、统计信息及复现条件尚未验证。