通过前向近期采样实现可扩展且高效的时序图表示学习

基于摘要分析。本文研究真实网络动态系统中的时序图表示学习（TGRL），针对传统时序邻居采样需要回溯节点交互历史、带来计算开销和推理延迟的问题，提出 No-Looking-Back（NLB）框架，以前向近期采样替代历史回溯。 核心机制是为每个节点维护容量受限、可在 GPU 上执行的哈希表，存储经过下采样的近期交互，从而支持快速查询。摘要称该哈希表维护的复杂度为 O(1)，并强调其 GPU 兼容性、可编程性与并行处理能力。该方法的具体贡献在于改变时序邻居的存储与采样路径，而非仅调整表示模型；哈希表容量、近期交互的下采样规则、时间信息编码、训练目标及推理更新流程尚未验证。 作者报告，在六个真实世界数据集的 link prediction 和 node classification 任务上，NLB 的准确性达到或超过先进方法；相较所用竞争基线，训练速度为 1.32–4.40 倍，能效为 1.2–7.94 倍，推理延迟改善倍数为 1.63–12.95。摘要未提供数据集名称、划分协议、具体精度指标、基线配置或硬件条件，因此这些区间不能外推为任意任务上的收益，实验协议、消融及统计信息尚未验证。复现需重点核对有界缓存对长时依赖的保留程度，以及计时与能耗测量是否包含缓存维护开销。 平台推测（待验证）：若 EEG 任务已被明确建模为随时间到达的节点交互图，其近期交互缓存可能用于降低动态图查询开销，但原论文结果不构成 BCI 有效性证据。可复用的是缓存与采样模块，需改造的是 EEG 节点、边及时间事件的构建方式；低信噪比、通道变化、跨被试差异和小数据可能使近期采样保留噪声或遗漏长期关联。一个可检验的小实验是在固定 EEG 图构建、表示模型和数据划分下，仅替换历史回溯采样与前向近期采样，比较任务指标、推理延迟及缓存容量敏感性。相关 EEG 工作尚未检索确认。