基于 Mamba 的图卷积网络：利用选择性状态空间缓解过平滑

基于摘要分析。本文研究深层 Graph Neural Networks（GNNs）中的过平滑问题，即随着模型加深，节点表示趋于一致、难以区分；提出 MbaGCN，将原用于序列建模的 Mamba 范式引入图卷积，以自适应聚合邻域信息。 核心机制：摘要列出三个组件：Message Aggregation Layer、Selective State Space Transition Layer 和 Node State Prediction Layer，分别对应消息聚合、选择性状态空间转移和节点状态预测。作者将过平滑归因于 GNN 难以区分不同邻域信息的重要性，并以这些组件协同处理邻域信息。具体状态更新方程、图结构与序列建模的对应方式、选择机制、损失函数及训练流程尚未验证，不能据摘要认定其采用特定节点排序或扫描策略。 结果与证据边界：作者报告在基准数据集上进行了广泛实验，认为该框架展示了 Mamba 与图表示学习结合的可行性；同时明确指出，MbaGCN 并非在每个数据集上都持续优于所有现有方法。摘要未提供数据集名称、任务、划分、网络深度、指标或分数，实验协议、消融及统计信息尚未验证。材料提供了代码地址，但实现与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务将通道或脑区组织为图，并需要多层邻域传播，选择性状态更新可能有助于保留节点差异；这只是机制对应假设，并非已证实的 BCI 效果。可考虑复用图消息聚合与状态转移模块，但需适配 EEG 节点特征、图构建方式及时间信息。低信噪比、不稳定连接、跨被试通道差异与小样本可能使选择机制学习到噪声或被试特异模式。一个可检验的小实验是在固定 EEG 图、相同数据划分与训练预算下，对比普通 GCN 和 MbaGCN 随深度增加的任务表现及节点表示相似度，判断是否同时缓解表示趋同并改善预测；已有 EEG 相关工作尚未检索确认。