Temporal Graph AutoEncoder：利用 Neural ODEs 将动态图映射为动力系统

基于摘要分析。本文研究动态图表示学习，提出 TGAE（Temporal Graph AutoEncoder），以连续时间潜在动力系统描述节点嵌入，旨在避免链接预测过度依赖相邻事件的短期相关性。作者报告，在合成数据和一个高中接触追踪数据集上，TGAE 能捕捉时间模式，并向训练时间范围之外外推；摘要未提供具体指标、外推跨度或对照结果。 机制上，TGAE 探索“history-free”动态嵌入：节点随时间变化的表示由初始条件和神经网络参数化的全局向量场共同定义，通过 Neural ODEs 描述其演化，而非在每次新事件到来时跳跃式更新存储的记忆状态。节点对的交互被建模为非齐次泊松过程，其发生率取决于潜在空间距离，从而支持基于观测事件的自监督训练。这里的“history-free”不等于训练不使用历史事件；其具体推理依赖仍需全文确认。 该方法的主要对照思路是事件驱动记忆更新与连续潜在动力学建模之间的差别。数据规模、节点与事件定义、时间划分、基线、损失具体形式、初始条件学习方式、消融及统计信息尚未验证，因此不能据摘要认定其普遍优于其他动态图方法。 平台推测（待验证）：若将 EEG 通道或脑区表示为节点、将离散交互表示为事件，连续潜在动力学可能用于研究时变连接的建模与外推；可复用的是 Neural ODEs 潜在演化框架，需改造的是事件构造与观测模型。该假设依赖有意义的事件时间和节点对应关系，而连续 EEG 并不天然满足节点对泊松交互假设；低信噪比、阈值选择、跨被试通道差异及小数据都可能使模型拟合伪事件。一个可检验的小实验是在固定被试和通道配置下，仅用训练时间段确定事件提取规则，再按时间留出后续片段，比较 TGAE 与事件驱动记忆基线的事件预测表现。此实验仅检验时间外推，不代表 BCI 解码收益；已有 EEG 相关工作尚未检索确认。