图变量神经网络（Graph Variate Neural Networks）

基于摘要分析。研究面向动态时空信号建模，提出 Graph-Variate Neural Networks（GVNNs），以信号依赖的连接张量融合稳定的长期连接支撑和瞬时数据驱动交互。主要研究对象是通用时空信号，摘要同时报告了预测基准与 EEG 运动想象分类应用。 核心机制建立在 Graph Variate Signal Analysis（GVSA）及图信号处理工具之上。GVSA 将瞬时连接模式表示为网络张量，并结合通常由信号本身构建的稳定支撑；GVNNs 据此对时空信号进行卷积，旨在逐时间步捕获动态统计依赖。相较于依赖既有图结构的 GNN，其特点是将动态交互纳入信号建模，而不依赖人为设定的滑动窗口。作者报告，该机制可高效实现，计算复杂度随序列长度线性增长；具体连接估计、张量构造及复杂度成立条件尚未验证。 结果方面，作者报告 GVNNs 在所用预测基准上持续优于较强的图方法基线，并与 LSTMs、Transformers 等常用序列模型具有竞争力；在 EEG 运动想象分类中，作者报告取得较高 Accuracy。摘要未提供数据集名称、被试数、数值结果或被试内、跨被试、跨会话划分，因此不能判断提升幅度、统计可靠性及 BCI 泛化能力，也不能将预测任务结果直接视为 EEG 效果证据。 进一步阅读应核对长期支撑与瞬时连接的估计方式、训练和推理阶段如何构图，以及低信噪比 EEG 下连接估计的稳定性；同时核对 EEG 评估协议、对照基线、消融、统计信息及代码可用性。这些信息尚未验证，不代表作者未开展相应实验。