流式图中的社区：小空间数据结构、基准数据生成与线性算法

基于摘要分析。本文研究流式图中社区结构的识别与保存，主要贡献是小空间数据结构 Community Sketch、基于该结构的线性流式社区检测算法，以及带有真实社区标签和边时间信息的 Temporal Community Benchmark Dataset（TCBD）生成算法。研究对象是图社区检测，并非 EEG/BCI 解码或状态空间模型。 机制方面，Community Sketch 用于在有限空间中保存社区结构；作者报告，该结构可在查询时以常数时间提供社区，并支持线性流式社区检测。摘要未说明其内部表示、更新规则、内存复杂度、线性时间所对应的输入规模，也未界定查询是否包含完整社区成员输出，这些复杂度声明的适用条件尚未验证。 评估方面，作者报告，在大型真实网络上，所提算法的 NMI、F1-score 和 WCC 优于所比较的先进算法，并使用 TCBD 合成网络进行验证。摘要未给出网络名称、规模、具体分数、对照算法或时间流划分；实验协议、消融及统计信息尚未验证。TCBD 同时提供社区标签与边的时间信息，适合核对算法对时间演化社区的恢复能力，但标签生成机制及其与真实网络的对应关系仍需全文确认。 平台推测（待验证）：若将动态 EEG 功能连接表示为带时间信息的边流，该结构可能用于低内存维护通道间社区，而非直接替代解码器。可复用的是图流摘要与社区查询模块；需改造的是 EEG 连接估计、边权和社区稳定性处理。低信噪比、通道变化及跨被试连接差异可能使社区不稳定。一个可检验的小实验是固定连接估计方法，在同一批 EEG 窗口上比较流式方法与离线社区检测的峰值内存、更新时间及社区一致性，再检查这些收益是否以结构失真为代价；原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。