MambaTG：用于时序图未来链接预测的候选感知状态空间建模

基于摘要分析。本文研究时序图中的未来链接预测，区分已有连接节点对之间的重复交互与此前没有交互的节点对之间的首次交互。作者提出候选感知的 Mamba 框架 MambaTG，联合建模历史交互序列的演化与候选节点对历史的适配性，以减少对历史交互重复性的依赖。 核心机制包含两类互补信号：historical-sequence evolution 描述源节点按时间排序的交互之间的依赖；candidate–history compatibility 描述候选节点与源节点不断演化的历史是否相容。摘要将前者对应于 Mamba 的选择性递归，将后者对应于输入依赖的状态转移，使历史状态能够随不同候选输入调整。候选如何编码、如何介入状态更新，以及损失函数、采样与训练方式尚未验证。 作者报告，在 13 个时序图数据集上与 13 个代表性基线比较，MambaTG 在重复边和未见边上均取得较强且一致的表现，并保持计算效率。摘要未提供数据集名称、具体指标、分数、划分方式及效率测量条件，因而不能量化收益或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证；复现还需核对未见边定义、时间切分、负样本构造和候选感知模块的独立贡献。 平台推测（待验证）：若 EEG 任务具有可靠的时序图表示，并以未来连接或交互为预测目标，该机制可能用于区分历史连接延续与新连接形成；这不等于已验证的 BCI 解码收益。可复用部分是有序历史建模与候选条件化状态更新，需改造节点、边及候选的定义。EEG 低信噪比、通道差异和小数据可能使图结构不稳定，削弱候选适配信号。一个可检验的小实验是在固定图构建与时间划分下，对比候选感知版本和去除候选条件化的版本，分别评估重复边与未见边，并检查图构建阈值变化下的稳定性。已有相关 EEG 工作尚未检索确认。