ERST：通过实体替换学习时空预测中的交互

基于摘要分析。该研究面向多实体时空预测，提出 Entity Replacement for Spatiotemporal Forecasting（ERST），通过替换单个实体表示并测量整体表示的变化来学习交互，而非仅使用实体间关系或聚合表示本身。 核心机制是：保留其他实体、归一化和所用函数不变，将一个实体的表示替换为参考表示，再以同一函数在替换前后的输出差作为该实体的响应。参考表示由该实体的历史和其他实体的信息构造，不直接使用被替换的当前表示。这一响应刻画的是特定参考替换下的表示变化，不能仅凭摘要将其解释为因果效应。参考构造的具体实现、响应如何接入预测模型，以及训练目标尚未验证。 作者报告，在覆盖五个领域的 12 个数据集上，ERST 在预测架构与数据集的 24 种组合中，有 23 种的 MAE 优于基线，其余一种与基线持平。摘要未提供具体数据集、架构、划分、预测跨度、改善幅度及统计不确定性，因此不能判断收益大小或跨协议可比性；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 通道视为实体，ERST 的替换响应可能用于研究多通道预测中的交互贡献。可复用的是固定其余输入与函数、比较替换前后响应的操作；需改造的是适配 EEG 历史窗口和通道结构的参考构造。其原任务依赖多实体历史序列，但监督方式与训练规模尚不明确。低信噪比、通道共源相关、跨被试分布变化及小数据可能使响应主要反映噪声或参考偏差。一个可证伪的小实验是在固定被试内划分、相同预测骨干和训练预算下，对比加入 ERST 前后的 EEG 多通道预测 MAE，并改变参考构造检验收益稳定性；这不等同于验证 BCI 解码收益。已有 EEG 相关工作尚未检索确认。