连续时间动态图表征学习的表达能力：以信息流为中心的综述

基于摘要分析。本文主要研究连续时间动态图（Continuous-Time Dynamic Graph，CTDG）的图表征学习，重点综述自监督表征学习（Self-Supervised Representation Learning，SSRL），并提出以 Information-Flow（IF）为视角的理论框架，用于分析模型传播和编码时间信息与结构信息的能力。 该框架围绕 CTDG 模型的表达能力组织已有方法，按图类型及应用场景讨论其适用性。文章同时考察预测式、对比式等自监督方法如何适配 CTDG，以减少对标签数据的依赖。摘要未披露框架的形式化定义、具体损失、训练流程或所比较的模型，因此尚不能判断其理论分析如何对应具体实现。 作者报告，在合成与真实数据集上的评估支持其理论见解，并展示了不同方法在长程关系图、二部图及社区结构图上的优势与局限。摘要未提供数据集名称、划分、评价指标、基线或具体数值；实验协议、消融及统计信息尚未验证，不能据此推断某类模型普遍更优。 平台推测（待验证）：若 EEG 数据可被合理表示为带时间戳的通道交互事件，IF 视角可能有助于检查模型能否保留跨时间、跨通道依赖；可借鉴的是信息传播分析与自监督任务分类，需改造的是从连续信号构建动态图的规则。该假设依赖边与时间戳具有可靠含义，低信噪比、伪连接、被试差异、通道配置变化及小数据均可能使图结构失真。一个小规模可检验实验是：固定 EEG 图构建规则与被试内划分，比较保留和打乱事件时间顺序时模型表现及长时依赖敏感性，检查时间信息是否确有贡献。该实验仅是迁移假设，相关 EEG 工作尚未检索确认。