UniDyG：面向大规模动态图的统一有效表示学习方法

基于摘要分析。本文研究连续时间动态图（CTDGs）与离散时间动态图（DTDGs）的统一表示学习，提出 UniDyG，通过 Fourier Graph Attention（FGAT）、能量门控与频率增强的节点更新机制，建模不同时间粒度的结构演化并抑制时间噪声；原研究对象是通用动态图，而非 EEG 或 BCI。 机制上，FGAT 基于近期邻居与复数选择性聚合，建模局部及全局结构相关性。作者称其能够在理论上保证动态图表示随时间的一致性，并利用逼近理论论证其对 CTDGs 与 DTDGs 底层结构的刻画能力。在此基础上，能量门控单元按能量自适应过滤高频噪声；FGAT 负责时间结构学习，频率增强的线性函数负责节点级动态更新。具体图构建、监督信号、损失形式、采样策略及大规模计算开销尚未验证。 结果方面，作者报告：在九个动态图、十六个基线的评估范围内，UniDyG 平均提升 14.4%，并在含噪场景中表现出更好的鲁棒性。摘要未说明该提升对应的指标、计算口径、任务及数据划分，因此不能将其解释为 Accuracy 提升或百分点变化；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道作为节点、时变连接作为边，FGAT 的局部与全局结构聚合可作为动态连接表征的候选模块，但这依赖可靠的图构建与足够的时序数据，原领域结果不等于 BCI 有效性。迁移时需改造节点特征、时间尺度与任务输出，并核对能量门控是否误删具有判别力的高频活动；低信噪比、跨被试连接差异、通道变化和小数据均可能使其失效。一个可检验的小实验是在固定 EEG 图构建与数据划分下，对比完整模块、移除门控及移除频率增强更新的版本，分别观察原始数据与受控时间扰动下的任务表现。已有 EEG 相关工作尚未检索确认。