基于序贯生存过程的连续时间图表示

基于摘要分析。本文研究连续时间动态图中边持续存在、消失及再次出现的表示学习问题，提出 GRAS2P（Graph Representation with Sequential Survival Process），以生存函数构建随机过程，联合描述边存在和缺失的持续时间，而非仅将连接视为瞬时事件。 核心机制是为间歇性、具有持续时间的边定义似然，并将该框架应用于连续时间动态潜在距离模型；后者用节点在潜在空间中的分段线性运动刻画网络演化。其主要方法区别在于显式利用连接状态的持续时间，而不仅是离散时间快照或瞬时连接事件。摘要未提供生存函数的具体形式、参数化方式、优化过程及推理细节。 作者报告，在链接预测和网络补全等下游任务中，该框架能够追踪节点的潜在轨迹并捕捉演化网络结构的特征。摘要未列出数据集、划分、基线、指标或定量增益，实验协议、消融及统计信息尚未验证，因此不能据此判断优势幅度或跨场景泛化能力。 平台推测（待验证）：若 EEG 功能连接能够被可靠地定义为具有起止时间的边状态，该持续时间建模机制可能用于研究连接存在与缺失的时间结构；这不是论文已验证的 EEG 或 BCI 贡献。可复用部分是持续时间似然与动态潜在表示，需改造部分是从连续、多通道信号估计边状态及其不确定性的流程。低信噪比、窗口与阈值选择、通道配置和跨被试差异可能造成伪状态切换，小数据也可能不足以估计持续时间规律。一个可检验的小实验是在固定 EEG 连接估计流程和相同时间划分下，对比显式持续时间建模与瞬时事件建模的链接预测表现，并检验结论对阈值变化是否稳健。已有 EEG 相关工作尚未检索确认。