SourceDetMamba：用于时序超图源头检测的图感知状态空间模型

基于摘要分析。本文研究社交网络中谣言传播的源头检测，提出 SourceDetMamba，以超图描述高阶交互，并将传播过程的网络快照按时间逆序输入 Mamba，通过图感知状态更新联合利用时间依赖与拓扑信息来推断传播源头。 核心机制是先把传播过程表示为时序超图，再让 Mamba 沿逆序快照建模传播动态。作者提出的图感知状态更新，使每个节点的状态同时受到时间依赖和拓扑上下文的传播与细化。其方法价值在于将结构信息纳入序列状态更新，而不只是把网络快照作为普通序列输入；但具体更新方程、超边构建方式、训练目标、监督形式和推理流程尚未验证。 作者报告，在八个数据集的源头检测评估中，SourceDetMamba 持续优于所比较的先进方法。摘要未提供数据集名称、划分方式、基线名称、指标或具体数值，因此无法判断提升幅度及不同传播条件下的稳定性。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：可迁移的假设是，图感知状态更新可能帮助 EEG 时序模型联合利用通道间高阶关系与时间动态；这针对的是多通道依赖建模，而不是直接把谣言源头检测改称 BCI 解码。原方法依赖具有节点、超边和传播快照的结构化数据，EEG 中需重新定义节点与超边，并改造输入表示及任务输出；逆序输入是否有益也需单独检验，不能预设 EEG 存在同样的传播机制。低信噪比、跨被试拓扑差异、通道配置变化和小数据条件可能使估计的超图不稳定。一个可证伪的小实验是在固定的 EEG 任务和相同划分下，对比普通 Mamba 与加入图感知更新的版本，并加入打乱拓扑的对照，以检验收益是否来自有效结构信息。相关 EEG 工作尚未检索确认。