DyGSSM：采用 SSM 梯度更新的多视图动态图嵌入

基于摘要分析。本文研究节点和拓扑随时间变化的动态图表示学习，提出 DyGSSM，用于链接预测：在每个图快照中提取局部与全局特征，通过轻量注意力融合，并将 HiPPO（High-order Polynomial Projection Operators）引入模型参数更新，以捕获长期依赖、保留序列历史。 作者将现有方法的局限概括为：难以同时建模局部与全局结构；部分元学习方法依赖需要针对数据集调节的时间窗口；方法往往主要适用于离散时间或连续时间中的一种设置。DyGSSM 的设计目标是兼顾两类时间设置。这里的 SSM 作用被描述为支持历史信息保留与参数更新，不能仅据摘要将其理解为常规的图特征序列编码器；梯度更新公式、HiPPO 状态如何参与优化，以及连续时间事件如何组织，尚未验证。 作者报告，在 12 个公开数据集的实验中，DyGSSM 在 36 项评估指标中的 32 项优于所比较的基线及作者所称的 SOTA 方法；参数比较也显示其参数量显著更少。摘要未提供数据集名称、指标定义、时间划分、基线配置、具体分数或参数量，因此这些汇总结果不能解释为某个统一指标的提升幅度。实验协议、消融及统计信息尚未验证。摘要提供了代码与数据仓库地址，但实现完整性及复现条件尚未核对。 平台推测（待验证）：若将 EEG 通道作为节点、时变通道关系作为边，局部—全局融合和历史更新机制可能对应动态连接建模与长程状态跟踪；这一假设依赖可靠的图构建和时间监督，并非已证实的 BCI 效果。可考虑复用融合与历史更新模块，但需改造图构建及任务输出。低信噪比造成的伪连接、跨被试通道差异和小样本下的更新不稳定均可能使迁移失败。一个可检验的小实验是在固定 EEG 图构建、时间划分和预测目标下，对比完整机制与移除 HiPPO 更新的版本，核对长期历史是否带来稳定收益。已有 EEG 相关工作尚未检索确认。