HOT：利用高效 Transformer 的高阶动态图表示学习

基于摘要分析。本文研究动态图中的链接预测：根据图更新历史，预测给定顶点对是否会建立连接。作者提出 HOT，在将单次图更新作为 token 的 Transformer 路线中引入高阶图结构，并通过分层注意力缓解由此增加的内存压力。 核心机制是利用 k-hop 邻居及包含目标顶点对的更一般子图，将这些结构信息编码到 Transformer 的注意力矩阵中。与主要围绕单次更新建模的方案相比，HOT 的着眼点是显式利用更广的结构上下文；随后对注意力矩阵施加层次结构，以平衡预测准确率与内存占用。具体结构编码方式、层次构造、训练目标及复杂度尚未验证。 作者报告，在 MOOC 数据集的动态链接预测评估中，HOT 相较 DyGFormer、TGN、GraphMixer 的 Accuracy 分别高出 9%、7%、15%。摘要未明确这些百分比是相对提升还是百分点差异，也未给出数据划分、负样本构造及绝对分数，因此不能据此比较其他评估协议下的表现。作者还报告分层设计可显著降低内存占用，但摘要未提供具体内存测量；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 通道或脑区作为节点、时变连接作为边，HOT 的高阶结构编码可能用于建模连接演化，但这是假设，不是已证实的 EEG 或 BCI 效果。其原方法依赖图更新历史及顶点对链接预测监督，迁移时需重新定义 EEG 连边、更新事件与预测目标；可考虑复用高阶结构编码及分层注意力，需改造信号到动态图的构建环节。低信噪比可能产生伪连接，通道布局差异可能破坏结构对应，小数据也可能不足以学习稳定模式。一个可检验的小实验是在固定 EEG 动态图构建与时间划分的条件下，对比加入和不加入高阶结构编码的链接预测表现及峰值内存，检验其是否带来稳定增益。已有 EEG 相关工作尚未检索确认。