AnchorRM并行重建时间图批内节点状态

基于摘要分析。AnchorRM 研究基于记忆的时间图神经网络（TGN）在时间小批量训练中的状态陈旧问题：同一节点在批内多次参与交互时，后续事件仍使用尚未纳入中间更新的批前记忆。其核心贡献是用固定锚点和事件级残差重建批内节点状态，以避免逐事件执行顺序递归更新。 方法将每批开始时最后一次已提交的节点记忆作为固定锚点，利用同批内因果上先于当前事件的交互，推断相对锚点的状态演化，再以学习得到的残差校准锚点。各事件的重建状态不依赖先前重建状态，因此可在批内并行计算；作者称这一设计保留了时间因果性。残差预测器结构、历史聚合方式、损失函数及记忆提交流程尚未验证。 作者报告，在四个时间图数据集、三个基于记忆的骨干模型上，平均训练加速为 6.16 倍、最高 10.05 倍，批规模扩展平均为 28.67 倍、最高 40 倍，同时保持有竞争力的预测性能。摘要未列明数据集名称、具体参照基线、批规模扩展的定义、硬件与预测指标，因而这些倍率不能脱离原始协议作进一步比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 任务被构造成具有时间戳交互的动态图，且模型确实使用递归节点记忆，那么该机制可能用于缓解增大批量后节点状态更新滞后的问题。可复用的是固定锚点与因果残差重建思路，需改造的是 EEG 节点、事件及时间顺序的定义；它并非可直接替换一般 EEG 编码器的模块。低信噪比、动态图边不稳定、通道变化和小数据可能使残差估计失准。可在固定被试划分的同一 EEG 时间图任务中，对比顺序更新、批前记忆与 AnchorRM，随批大小变化同时测量预测指标和训练耗时，检验效率收益是否伴随性能下降。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。