面向动态社交网络链接预测的可扩展时序潜在空间推断

基于摘要分析。本文研究动态社交网络中的时序链接预测：利用此前的一系列图快照预测后续连边，提出允许用户位置随网络演化而逐渐变化的时序潜在空间模型，并设计全局、局部与增量优化算法以支持较大规模网络。 核心机制是将用户表示为不可观测潜在空间中的位置，假设潜在表示相近的用户更可能发生交互；位置的逐渐移动用于刻画网络结构的时间变化。全局优化用于推断时序潜在空间，局部更新和增量更新则提供替代计算路径。摘要未给出潜在空间维度、交互概率形式、时间约束、目标函数及更新细节，尚不能判断其具体实现与计算复杂度。 作者报告，在多个真实动态网络上的时序链接预测评估中，该方法相较既有方法具有更好的预测能力与可扩展性，且局部、增量更新未损害预测准确性。摘要未提供网络名称、规模、时间划分、基线、指标或具体数值；实验协议、消融及统计信息尚未验证，不能据此量化优势或确认其适用边界。 平台推测（待验证）：若 EEG 已被构造成时间序列连接图，可检验的假设是，缓慢变化的潜在节点位置能够表达连接演化，而增量更新可能降低连续估计的计算成本。可复用部分是时序潜在表示与增量推断思路；需要改造的是 EEG 连边定义、加权或有符号连接的观测模型，以及通道或脑区对应关系。该路径依赖可靠的图快照和可比的节点身份，并不等同于直接解码 EEG。 低信噪比可能使连接估计误差被当作真实演化，快速状态切换可能违背缓慢移动假设，跨被试通道差异及小数据也可能导致潜在位置不稳定。一个小规模检验是固定同一被试的通道与图构造方法，按时间顺序以历史图预测后续图，对比静态潜在空间、上一时刻连接保持基线与时序模型，并同时记录预测指标及更新耗时。已有 EEG 相关工作尚未检索确认，此实验建议不构成 BCI 有效性的证据。