DyG-Mamba：动态图上的连续状态空间建模

基于摘要分析。本文研究动态图中随时间演化的关系与节点信息，将动态图建模转化为长程序列建模问题，提出 DyG-Mamba，以状态空间模型处理长期依赖和不规则事件间隔。原研究对象是动态图，摘要提及社会推荐与癌细胞早期检测作为应用背景，并非 EEG/BCI 验证。 核心机制包含两部分：受 Ebbinghaus 遗忘曲线启发，将事件之间不规则的时间跨度作为控制信号，动态调整历史信息的遗忘；受其复习周期启发，重新定义核心参数，使模型选择性回顾历史信息并过滤噪声输入。作者认为这些机制能够改善时间间隔利用、归纳能力与鲁棒性，但摘要未提供参数定义、状态更新公式、训练损失及具体推理流程，尚不能确定各机制的实现与独立贡献。 作者报告，在覆盖动态链接预测和节点分类任务的 12 个数据集上，DyG-Mamba 在多数数据集取得最先进性能，并显著改善计算与内存效率。摘要未列出数据集名称、划分协议、对照方法、指标数值或效率测量条件，因此这些结论仍需结合正文核对；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，复现仍需确认数据处理、配置与运行环境。 平台推测（待验证）：若 EEG 任务被明确表示为带时间戳的动态通道关系或稀疏事件图，其时间间隔控制遗忘机制可能对应非平稳依赖与历史噪声累积问题。可复用的是时间控制状态更新思路，需要改造的是 EEG 图构建、事件定义与任务监督；该方法依赖怎样的事件结构、标签与数据规模，摘要尚不明确。连续等间隔 EEG 可能无法直接受益，低信噪比造成的伪事件、跨被试关系差异和小数据训练也可能使机制失效。一个可检验的小实验是在固定数据划分、图构建与训练预算下，对比真实事件间隔、固定间隔和打乱间隔，检验时间控制是否带来稳定增益。已有 EEG 相关工作尚未检索确认。