EATGD：以传播行为衡量时序图差异

基于摘要分析。本文研究如何依据流行病传播行为比较时序网络，而非仅比较预先选定的结构特征。作者提出 Time-Shift DTW 与 Epidemic-Aware Temporal Graph Dissimilarity（EATGD），旨在识别结构不同但传播行为相近的时序图，并减少比较阶段对传播模拟的依赖。 Time-Shift DTW 用于衡量流行病曲线之间的差异，同时考虑曲线形状与时间偏移。EATGD 则将基于嵌入的时序图距离与一组拓扑、时间特征结合，构成确定性、可微的图差异度量。其参数通过随机 SIR 模拟校准，以最大化与 Time-Shift DTW 的相关性；校准后，图比较无需再次进行流行病模拟。摘要未给出嵌入构造、特征清单、参数化形式或具体优化实现。 作者报告，在 SocioPatterns 合作项目的真实人际近距离接触网络及合成时序图上，EATGD 能捕捉基于流行病传播的图差异，并在异质网络设置间泛化；具体划分、对照方法、相关性数值、运行成本、消融及统计信息尚未验证。作者进一步提出，它可作为生成模型的潜在损失函数，使模型复现传播动力学而不必精确重建细粒度网络结构；摘要未提供该生成训练用途的验证结果。 平台推测（待验证）：其可借鉴之处是“用任务动力学校准可微图距离”，而非 SIR 本身。假设 EEG 被表示为时序连接图，且存在有依据的神经动力学代理过程，可尝试保留距离校准框架，替换传播过程、曲线目标与图特征，探索结构重建目标与功能行为目标的差别。这依赖可靠的连接估计和代理过程定义；EEG 低信噪比、跨被试差异、通道配置变化及小数据可能使图距离主要反映估计误差，而非神经功能。一个可证伪的小实验是在固定通道与数据划分下，用训练部分校准距离，在留出数据上检验其与预先定义的动力学差异是否比纯结构距离更相关。该假设不构成已验证的 BCI 方法，已有 EEG 相关工作尚未检索确认。