时序网络中时序模式子图的归纳式表示学习

基于摘要分析。本文研究时序网络中的归纳式表示学习，目标是从动态交互中提取可用于训练阶段未见节点的时序结构模式。作者提出 TPSN 框架，将子图上的相邻边重建与多子图对比学习结合，以学习包括时序三角闭合规律在内的结构信息；原研究对象是时序网络，并非 EEG 或 BCI。 机制上，作者设计了捕获两类常见时序模式的策略，但摘要未说明两类模式的完整定义。TPSN 在提取的子图上进行相邻边重建，旨在提高时序三角闭合规律的学习效率，并降低过平滑的可能性；多子图对比学习则旨在以较少负样本获得更高准确性。具体子图抽取规则、重建目标、对比损失及负样本构造尚未验证。 作者报告，方法在三项下游任务中均优于基线，时间复杂度处于可接受范围，消融实验也支持模型及模块的有效性。不过，摘要未提供任务名称、数据集、未见节点划分方式、指标数值或运行成本，因此目前不能判断优势幅度、泛化边界及计算开销。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被构造成具有时间信息的动态连接图，时序模式子图可能用于刻画局部连接的演化，并探索跨通道配置的归纳泛化。该假设依赖于 EEG 图中存在稳定且可重复的时序结构；功能连接估计并不天然等同于原论文中的交互事件，需要改造建图、时间离散化和节点特征模块。低信噪比、连接估计误差、被试差异及小数据可能使子图模式不稳定。可检验的小实验是在同一 EEG 任务和固定数据划分下，对比完整 TPSN 与去除时序模式模块的版本，并检查跨被试表现及图构建扰动下的稳定性；这只是迁移假设，已有 EEG 相关工作尚未检索确认。