Intensity Profile Projection：面向动态网络的连续时间表征学习框架

基于摘要分析。本文研究连续时间动态网络的表征学习，提出 Intensity Profile Projection，将带时间戳的实体交互转换为各节点随时间变化的连续轨迹，用于刻画节点行为的动态变化；主要贡献是结合交互强度估计、投影学习与轨迹估计理论。 方法以三元组 (i,j,t) 为输入，表示实体 i 与 j 在时刻 t 的一次交互。框架分为三步：估计节点对之间的交互强度函数，例如采用核平滑；学习使某种强度重建误差最小化的投影；利用该投影构造随时间演化的节点表征。摘要未给出重建误差的具体形式、投影约束及计算实现。 作者报告，所得轨迹满足结构一致性与时间一致性，并给出对估计轨迹误差的紧致控制。作者据此认为，这些表征有望支持对噪声较敏感的后续分析，但摘要未提供此类任务的实证结果。理论还解释了平滑中的偏差—方差权衡：算法可通过汇聚网络中的信息，在信噪比提高时降低平滑程度。上述性质的精确定义、成立假设与误差界尚需核对全文；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若能将 EEG 转换为具有明确时间戳的通道间交互事件，该方法可能为动态连接表征提供一种连续时间建模路径；可复用部分是强度估计与投影框架，需改造部分是从连续电位信号到交互事件的定义及后续任务接口。EEG 的低信噪比、伪连接、通道配置差异与小样本可能使强度估计不稳定，且事件化可能丢失振幅或相位信息。一个可证伪的小实验是在固定通道和事件定义下，对同一批 EEG 注入分级噪声，比较该方法与滑动窗口连接表征的轨迹稳定性；这种验证不能直接证明 BCI 解码收益。已有 EEG 相关工作尚未检索确认。