有向图上的状态空间模型

基于摘要分析。该研究面向有向图学习，旨在解决现有 GNNs 与 graph Transformers 捕获长程方向性依赖，以及在大规模图上兼顾精度和训练效率的问题。作者提出以 k-hop ego graphs 将有向图序列化的 DirEgo2Token，并据此构建通过消息传递机制在有向图上应用状态空间模型（SSMs）的 DirGraphSSM。 核心思路是将有向图的局部结构转化为可由 SSMs 处理的序列，再结合图上的消息传递进行建模。摘要将有向边所编码的依赖称为“因果依赖”，但这不等同于已经验证的因果识别能力。作者称其工作是 SSMs 向有向图学习的首次系统性扩展；这一优先性判断尚未独立核实。序列排序、入边与出边的编码、k 的选择、状态更新、损失及训练流程均尚未验证。 作者报告，DirGraphSSM 在三个代表性有向图学习任务上达到最先进性能，在另外两个任务上取得有竞争力的性能，并相较现有最先进模型获得 1.5× 至 2× 的训练加速。摘要未列出任务名称、数据集、划分、指标、具体基线或计时条件，因此这些结果只能在作者所述的有向图任务范围内理解，不能直接外推至 EEG 或 BCI。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被表示为具有可靠方向信息的脑连接图，DirEgo2Token 与 DirGraphSSM 可能为长程连接依赖建模提供可复用机制。该假设依赖有向边的估计质量及适用的图学习监督，需改造通道节点特征、连接构建与任务输出；原文所需数据规模尚不明确。低信噪比、跨被试连接差异、通道布局变化和小数据可能使图方向或序列排序不稳定。有向连接也不能直接视为生理因果关系。可检验的小实验是在固定跨被试划分、连接估计和节点特征下，将 DirGraphSSM 与有向图 GNN 基线比较，并加入边方向随机化对照，核对方向信息是否带来稳定收益及训练时间变化。已有 EEG 相关工作尚未检索确认。