通过前向近期采样实现可扩展且高效的时序图表示学习

基于摘要分析。本文研究动态网络中的时序图表示学习（TGRL），针对时间邻居采样需要回溯节点交互历史所带来的计算开销与推理延迟，提出 No-Looking-Back（NLB）框架。核心贡献是前向近期采样策略，而非面向 EEG 或 BCI 的专用方法。 机制上，NLB 为每个节点维护一个容量受限、可在 GPU 上执行的哈希表，保存经过下采样的近期交互，以避免查询时回溯历史。作者报告，该表的维护复杂度为 O(1)，设计支持 GPU 并行处理。摘要未披露具体下采样规则、缓存容量、时间信息编码方式及表示学习目标，相关实现条件尚未验证。 作者报告，在六个真实世界数据集的链接预测、节点分类等任务中，NLB 的准确性达到或超过所比较的先进方法；相较竞争基线，训练加速为 1.32–4.40 倍、能效提升为 1.2–7.94 倍，推理延迟改善为 1.63–12.95 倍。摘要未给出数据集名称、具体指标、划分方式、硬件配置及各项收益对应的基线，因此这些范围不能视为任意任务或设备上的保证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被构造成按时间到达的节点交互流，该缓存机制可能缓解在线动态图邻居查询的计算瓶颈；可复用的是缓存与采样模块，需另行定义节点、交互、时间粒度及监督任务。其适用性依赖这种图结构是否有意义，不能直接套用于连续 EEG。低信噪比可能使近期缓存保留伪交互，跨被试通道差异可能破坏节点对应，小数据与长时依赖也可能削弱收益。可检验的假设是：固定同一 EEG 图构建、模型与被试内划分，仅替换历史回溯采样与 NLB 式近期缓存，比较任务指标、延迟及显存占用，并改变缓存容量检查精度损失。已有 EEG 相关工作尚未检索确认。