CapMax：从多用户通信视角进行动态网络表征学习的框架

基于摘要分析。本文研究拓扑随时间变化和／或节点属性随时间演化的动态网络表征学习，提出 channel capacity maximization（CapMax）框架，将传统互信息最大化（InfoMax）改写为通信信道容量最大化，以学习包含动态网络有效信息的表征。 核心机制是借助多用户通信的网络信息理论，将表征模型视为带记忆与反馈的多接入通信信道，并以有向信息（directed information，DI）而非互信息度量信道容量。作者称该目标不要求特定骨干结构，并结合图神经网络（GNNs）与循环神经网络（RNNs）设计容量估计器。作者报告，在若干温和条件下，理论上证明 DI 比互信息更适于捕获有用信息；具体条件、容量估计方式及优化目标的数学形式尚未验证。 作者报告，在多个真实动态网络数据集的链路检测与预测任务中，CapMax 在不同骨干模型上取得优于对照的表现。摘要未提供数据集名称、划分方式、基线、指标或数值，因此不能判断收益大小及不同任务间的可比性；实验协议、消融及统计信息尚未验证。复现前需核对时间划分、记忆与反馈的具体建模方式、估计器训练稳定性，以及计算开销和实现可用性。 平台推测（待验证）：若 EEG 被表示为按时间演化的通道关系图，CapMax 的时序信息目标可能用于研究动态连接表征，而非直接作为已验证的 BCI 解码方法。该假设依赖可靠的图构建与足够的时间序列数据；可尝试复用容量目标和估计器，但需改造节点属性、边定义及下游任务接口。低信噪比、跨被试连接差异、通道配置变化与小数据可能使估计器主要捕获噪声或个体特征。可在固定 EEG 图构建、骨干和训练预算下，对比 DI 与互信息目标，并分别报告被试内和跨被试表现，以检验收益是否稳定。相关 EEG 工作尚未检索确认。