DG-Mamba：基于选择性状态空间模型的鲁棒高效动态图结构学习

基于摘要分析。本文研究动态图因结构不完整、噪声与冗余而导致的动态图神经网络鲁棒性问题，提出 DG-Mamba，将选择性状态空间模型 Mamba 引入动态图结构学习，目标是高效修正图结构、捕获长距离时空依赖并学习鲁棒表示；原研究对象是一般动态图，而非 EEG 或 BCI。 方法包含三个相互配合的机制：核化动态消息传递算子用于加速时空结构学习，作者称其将相关计算的时间复杂度由二次降至线性，但摘要未给出复杂度所对应的变量和适用条件；将动态图视为状态空间系统，利用跨快照图邻接关系离散化系统状态，并通过选择性快照扫描捕获长距离依赖；引入自监督 Principle of Relevant Information 正则化，鼓励保留相关信息并减少冗余。具体核函数、状态更新公式、正则化目标及训练流程尚未验证。 作者报告，在对抗攻击评估中，DG-Mamba 相较所比较的先进基线具有更好的鲁棒性与效率。摘要未提供数据集、任务、划分协议、攻击类型与预算、指标或数值，因此不能判断优势幅度及其适用范围；实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：若 EEG 任务可表示为按时间排列的通道连接图，该方法可能对应动态连接估计中的噪声、冗余边及长程依赖问题。可考虑复用动态图结构优化与状态扫描机制，但需改造节点特征、连接定义及快照尺度；其依赖图快照和跨快照邻接信息，摘要不足以确认所需监督形式与数据规模。低信噪比可能使学习到的边反映伪相关，跨被试差异、通道变化和小数据也可能削弱效果。一个可证伪的小实验是在固定被试内划分与相同下游模型下，比较固定连接图与 DG-Mamba 学习图，并评估受控通道噪声或边扰动下的性能、耗时变化。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。