SiGNN：用于动态图表示学习的脉冲诱导图神经网络

基于摘要分析。该研究面向动态图表示学习，针对现有采用 Spiking Neural Networks（SNNs）的方法受二值脉冲编码限制、表征能力不足的问题，提出 Spike-induced Graph Neural Network（SiGNN），通过 Temporal Activation（TA）机制结合 SNNs 与 GNNs，学习增强的时空表示。 机制上，作者将 TA 描述为连接 SNN 时间动态与 GNN 表征能力的关键，使模型利用脉冲神经网络的时间处理特性，同时缓解二值脉冲带来的表达约束。方法还利用 SNNs 的适应性，在多个时间粒度分析动态图演化，以获得多尺度时间节点表示。摘要未给出 TA 的具体计算形式、时间粒度构造方式、训练目标或推理流程，这些实现条件尚未验证。 作者报告，在多个真实世界动态图数据集的节点分类任务中，SiGNN 表现优于比较方法；摘要未列明数据集、划分协议、基线、指标或具体数值，实验协议、消融及统计信息尚未验证。低功耗是摘要引入 SNNs 的动机，不能据此认定 SiGNN 已获得实测能耗优势。 平台推测（待验证）：若将 EEG 通道及其随时间变化的连接构造成动态图，多尺度时间表示可能对应非平稳连接模式的建模需求。该假设依赖节点、边和时间窗口具有稳定含义，并有适当的任务标签监督；可考察复用 TA 与多时间粒度聚合模块，但 EEG 图构建、输入编码及节点分类到试次分类的任务映射需要改造。低信噪比可能造成伪连接，跨被试通道差异和小数据也可能削弱收益。一个可证伪的小实验是在固定 EEG 图构建、被试内划分与训练预算下，对比基础动态图 GNN、加入 TA 以及再加入多时间粒度建模的版本，核对各模块是否带来稳定增益。相关 EEG 工作尚未检索确认，原论文结果不构成 BCI 有效性的证据。