SiBBlInGS：利用跨状态图的相似性驱动构建块推断

基于摘要分析。研究针对多状态时间序列中潜在过程引起的状态间与状态内变异，提出 SiBBlInGS，以图驱动字典学习发现可解释的稀疏构建块（Building Blocks，BBs）及其时间轨迹。其主要贡献是联合建模构建块的时间活动与跨状态结构变化，而非将不同状态中的变异统一处理。 机制上，SiBBlInGS 利用共同活动模式以及状态间、状态内关系推断 BBs，允许逐试次时间变化和受控的跨状态结构调整，并区分状态特异与状态不变成分。框架还适配不同状态下观测会话数量及持续时间不一致的情形。摘要将忽略不同层级变异、成分难以解释，以及对缺失样本和不等长会话适应不足列为既有方法的局限，但具体图构造、相似性定义、稀疏约束、优化方式及缺失样本处理尚未验证。 作者报告，在合成与真实数据示例中，SiBBlInGS 能从猕猴神经记录恢复具有意义的功能性神经群集，并利用人类 EEG 在癫痫发作前不久定位发作源。摘要未提供被试数量、记录模态细节、发作前时间窗口、源定位参照标准、数据划分、对照基线或定量指标，因此尚不能判断其跨被试泛化能力、定位误差或实时适用性；该结果也不等同于已验证的 BCI 解码性能。 复现时需核对状态与试次的定义、跨状态成分的对应约束、结构适配强度，以及源定位评估所用的参照与时间划分。实验协议、消融及统计信息尚未验证，代码和数据可用性亦未由所给材料确认。