UniDyG：面向大规模动态图的统一高效表示学习方法

基于摘要分析。UniDyG 研究通用动态图表示学习，旨在统一处理连续时间动态图（CTDGs）的快速局部变化与离散时间动态图（DTDGs）的渐进全局更新，并提高对时间噪声的鲁棒性；原研究对象并非 EEG 或 BCI。 核心机制是 Fourier Graph Attention（FGAT）：结合近期邻居与复数选择性聚合，建模局部及全局结构关联。作者称其在理论上保证动态图表示随时间的一致性，并以逼近理论论证其捕捉两类动态图底层结构的能力。在此基础上，能量门控单元按能量自适应过滤高频噪声；模型以 FGAT 学习时间结构，以频率增强线性函数执行节点级动态更新，生成时间嵌入。具体变换、门控判据、训练目标及理论成立条件尚未验证。 作者报告，在九个动态图上与十六个基线比较，UniDyG 平均提升 14.4%，并在含噪场景中表现出更强鲁棒性。摘要未说明该提升对应的指标、汇总方式及是否为相对增幅，也未提供任务、数据划分、噪声构造或规模与效率测量，因而不能将其解释为 Accuracy 提升或直接据此判断大规模部署成本。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被构造成时间变化的通道连接图，FGAT 的局部／全局关联建模与能量门控可能成为候选模块；这一假设依赖连接估计可靠、时间粒度合理，且高频结构变化能够与噪声区分。需改造图构建、节点特征及时间尺度，不能直接把原图上的高频噪声等同于 EEG 高频成分。低信噪比、跨被试连接差异、通道变化及小样本可能削弱效果，门控也可能误删任务相关瞬态。可在固定 EEG 动态图构建与跨被试划分下，比较相同骨干启用／关闭能量门控时的任务指标及时间扰动敏感性，检验其是否确实抑噪而非丢失有效信息。已有 EEG 相关工作尚未检索确认。