DyGMamba：利用状态空间模型高效建模连续时间动态图中的长期时间依赖

基于摘要分析。该研究面向连续时间动态图（CTDG）的表示学习，解决长节点交互历史带来的计算开销，以及长上下文中关键时间信息的识别问题。作者提出基于 Mamba 状态空间模型（SSM）的 DyGMamba，将历史交互编码与时间模式驱动的信息选择结合起来。 核心机制包括两个层面的 SSM：节点级 SSM 编码节点历史交互序列；时间级 SSM 提取历史图中的时间模式，并利用其输出动态选择交互历史中的关键信息。其方法重点不只是延长历史窗口，还在于使时间模式参与历史信息筛选。摘要未给出具体选择算子、训练损失、时间编码方式或计算复杂度表达式，这些细节尚未验证。 作者在动态链接预测任务上验证模型，报告其在多数评估情形下达到最先进水平，并保持较高的计算资源效率，从而能够在有限计算预算下捕获长期时间依赖。摘要未提供数据集、划分协议、对照方法、评价指标或资源测量数值，不能据此量化性能与效率收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据能够被合理构造成带时间戳的节点交互图，该机制可能对应长时程连接变化建模与关键历史筛选的瓶颈。可考虑复用节点历史编码和时间模式选择模块，但需改造 EEG 通道或脑区的节点定义、交互事件构造及任务输出；原论文的动态图链接预测结果不等于 BCI 解码有效。低信噪比、连接估计误差、跨被试通道差异和小数据可能使选择机制追踪伪相关。一个可证伪的小实验是在固定 EEG 图构造、数据划分与训练预算下，对比完整机制和移除时间级选择的版本，检查延长历史是否稳定改善下游解码。已有 EEG 相关工作尚未检索确认。