基于 ℓ1 潜在距离的连续时间图表示

基于摘要分析。本文研究连续时间图表示（CTGR）中的超低维潜在空间嵌入，提出 ℓ1LD-CTGR，以 ℓ1 距离替代序贯生存过程中的平方 ℓ2 距离，旨在同时保持真实度量空间的几何性质与风险函数积分的可计算性。主要研究对象是连续时间图，而非 EEG 或 BCI。 核心机制：作者指出，平方 ℓ2 距离不满足三角不等式，可能扭曲潜在节点的相对位置；直接改用 ℓ2 距离则面临相应积分难以计算的问题。所提方法采用满足度量性质的 ℓ1 距离，作者推导出风险函数积分的分段指数闭式表达，并针对 ℓ1 范数的不可微性，寻找风险函数的下降方向替代梯度，以支持参数学习。具体目标函数、下降方向的构造及其适用条件仍需查阅全文。 作者报告，在合成数据与真实世界数据上的实验显示该方法具有竞争力。摘要未提供数据集名称、划分协议、对照方法、评价指标或数值，因此目前不能判断收益大小及适用边界；实验协议、消融及统计信息尚未验证。复现还需核对潜在轨迹的参数化、事件观测假设、积分分段规则及优化实现。 平台推测（待验证）：若 EEG 问题可合理建模为带时间戳的节点交互事件，该方法可能用于探索电极或脑区之间的动态关系，但连续 EEG 并不天然等同于事件图。可复用候选是潜在距离及积分计算模块，需改造事件构建与观测模型；低信噪比、体积传导、通道差异及小样本可能使事件关系不稳定。一个可证伪的小实验是在固定事件构建和数据划分下，对比 ℓ1 与平方 ℓ2 版本的留出事件预测表现及噪声敏感性，不据此直接宣称 BCI 解码获益。已有 EEG 相关工作尚未检索确认。