IDG：动态图神经网络的内在评估与信息论学习

基于摘要分析。该研究针对动态图神经网络（DyGNNs）的潜在嵌入质量主要依赖下游任务表现评估、难以直接解释和诊断的问题，提出 IDG，以结构与特征两个维度的内在指标评估嵌入，并将指标纳入表征学习目标。原研究对象是动态图表征，面向链接预测、节点分类等下游任务，并非 EEG 或 BCI 专用方法。 机制上，结构互信息（SMI）利用谱熵衡量输入与潜在嵌入共享的结构信息；特征互信息（FMI）利用 f-divergence 刻画潜在嵌入与节点属性动态之间的依赖。IDG 进一步将这两类指标整合进学习目标，以指导嵌入优化。其关注点不仅是提高任务表现，还包括为表征质量提供可解释的诊断线索。具体估计公式、目标组合方式、计算开销与训练细节尚未验证。 作者报告，在所评估的多种基准与模型架构上，这些指标与下游表现存在正向经验关联，并可提示模型有效性、失效模式及不同设置下的鲁棒性模式。摘要未提供数据集名称、划分、基线或数值结果；实验协议、消融及统计信息尚未验证。经验关联不等于指标能够可靠替代下游评估，其跨任务稳定性和模型选择效用仍需核对正文。摘要提供了代码地址，但代码完整性与可复现性尚未验证。 平台推测（待验证）：若将 EEG 通道及其时变连接表示为动态图，SMI 与 FMI 或可用于诊断结构和节点特征在嵌入中的保留程度。该假设依赖可信的图构建与节点属性定义；可尝试复用指标及其优化思路，但需改造 EEG 图构建、时间窗和特征处理。低信噪比、跨被试差异、通道变化和小数据可能使指标偏向保留伪迹或不稳定连接。一个可证伪的小实验是在固定 EEG 数据划分与下游模型下，比较不同训练检查点的 SMI、FMI 与留出集表现的关联，并检验加入噪声后这种关联是否保持。已有相关 EEG 工作尚未检索确认。