表征优先于容量：面向功能连接的稀疏时间信息访问

基于摘要分析。该研究针对静息态 fMRI 中静态功能连接（FC）将整段 BOLD 扫描压缩为单一矩阵、丢失区域交互时间变化的问题，提出低容量时间 FC 模型 TempLasso。其核心贡献是通过少量判别性连接的局部时间轨迹提供时间信息，而非仅增加静态连接组模型的容量。 机制上，TempLasso 先选择少量具有判别力的连接，再跟踪这些连接在局部 FC 时间窗中的变化，并用轻量 BiGRU 建模轨迹；它也可作为即插即用的时间分支，与静态骨干组合为 X+TempLasso。摘要未说明连接选择准则、窗口设置、损失函数或分支融合方式，不能据名称推断具体正则化形式。 作者报告，在三个 rs-fMRI 队列、五种静态 FC 骨干构成的评估中，TempLasso 优于 15 个明显更复杂的静态模型中的 13 个；X+TempLasso 在全部 15 个骨干—数据集组合上均有提升，平均提高 4.63 个 AUC 点。作者还报告，直接将完整静态骨干应用于每个时间窗的表现更不稳定，提示单窗容量增加不必然带来更好的时间建模。具体预测任务、队列名称、数据划分、AUC 汇总方式及统计不确定性尚未验证。 理论部分将静态 FC 形式化为对时间信号的多对一压缩：作者指出，在 Bayes 最优预测层面，可访问时间信息的预测不劣于仅访问静态 FC 的预测；当被丢弃的时间结构与任务相关时，前者可严格更优。该结论不等于有限样本下任意时间模型都能获得提升，实际泛化仍需实验支持。 原论文研究对象是 rs-fMRI 脑网络预测，并非 EEG 解码或 BCI 控制。复现时值得核对连接筛选与训练、验证、测试划分的关系，以及窗口参数、容量对照、消融和统计协议；这些信息尚未验证，不能据摘要判断其有无或质量。现有材料不足以据此确认 EEG/BCI 迁移效果。