基于序贯生存过程的连续时间图表示

基于摘要分析。该研究面向连续时间动态网络，解决离散时间建模或将连接视为瞬时事件时，难以刻画边持续存在与缺失时长的问题。作者提出 GraSSP（Graph Representation with Sequential Survival Process），利用生存函数构建随机过程，为边间歇出现且具有持续时间的网络提供似然建模框架。 核心机制是同时描述连接存在和不存在的持续时间，而非仅记录连接发生的时刻。作者将该框架应用于连续时间动态潜在距离模型，以节点在潜在空间中的分段线性运动表征网络演化。其主要方法价值在于将连接持续性显式纳入动态图表示学习，而不是仅增加时间标记。 作者报告，在连接预测和网络补全等下游任务中，该框架能够追踪节点的潜在轨迹并捕捉演化网络的结构特征。摘要未提供数据集、数据划分、对照基线、指标或具体数值，因此无法判断收益大小及适用范围；具体生存函数、似然形式、训练与推理流程、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 动态功能连接可被可靠地表示为边的出现、消失及其持续区间，GraSSP 的持续时间似然可能用于研究连接状态的时间结构。该假设依赖稳定的节点定义与边状态估计；可考虑复用持续时间建模和潜在轨迹表示，但需改造从 EEG 信号到连接区间的构建模块。低信噪比、窗口与阈值选择、跨被试差异、通道不一致及小数据均可能使估计时长偏离真实神经过程。一个可检验的小实验是在固定通道和相同数据划分下，比较持续时间模型与瞬时事件模型的留出连接预测表现，并检验结论对窗口、阈值和噪声扰动是否稳健。已有 EEG 相关工作尚未检索确认，不能据此认定其具有 BCI 解码收益。