CapMax：从多用户通信视角学习动态网络表征的框架

基于摘要分析。该研究针对拓扑随时间变化和／或节点属性随时间演化的动态网络，提出信道容量最大化框架 CapMax，将表征学习建模为具有记忆与反馈的多址通信信道，以有向信息（directed information，DI）而非互信息衡量并最大化信道容量。 机制上，CapMax 是对互信息最大化（InfoMax）框架的修改。作者称其目标不要求特定骨干结构，并结合图神经网络（GNNs）与循环神经网络（RNNs）设计信道容量估计器，以支持高效实现。作者报告，在若干温和条件下，理论上可证明 DI 比互信息更适合捕获有用信息；具体条件、信息变量定义、估计方式及优化细节尚未验证。 作者报告，在多个真实世界动态网络数据集的链路检测与预测任务中，CapMax 在不同骨干模型上取得优于对照的表现。摘要未提供数据集名称、划分、对照方法、评价指标与数值，实验协议、消融及统计信息尚未验证，因而暂不能判断收益幅度及适用边界。 平台推测（待验证）：若 EEG 被表示为随时间演化的通道或脑区图，CapMax 对记忆与反馈的建模可能对应动态连接表征中的时间依赖问题，但原领域结果不等于 BCI 有效性。可考虑复用容量目标与估计器，需重新定义 EEG 图、节点特征和时间窗口；其监督需求与所需样本规模尚不明确。低信噪比可能使估计器偏向伪连接，跨被试及通道差异可能破坏图的一致性，小数据也可能导致信息估计不稳定。一个可证伪的小实验是在固定 EEG 图构建、骨干及训练预算下，比较 CapMax 与互信息目标在预先定义的跨被试划分上的表现。已有 EEG 相关工作尚未检索确认。