跳到正文

算法、任务与模态

GNN 最新动态

GNN 研究索引；按可核对的标签归档，不以热度评价质量。

256 条精选近 30 天 52 条共收录 375 条

更新

精选归档 · 第 13 页

1月1日周五第 241–256 条
  1. OpenReview · State space models76

    基于演化状态图的时间序列事件预测

    基于摘要分析。本文研究通用时间序列中的未来事件预测，核心贡献是以演化状态图表示代表性状态之间随时间变化的转移关系，并提出 Evolutionary State Graph Network（EvoNet）进行预测与解释；研究对象并非专门的 EEG 或 BCI 数据。 方法将时间序列中的状态表示为节点，将状态间的关系表示为随时间演化的边。作者认为，相较于仅关注状态的表示与识别，图结构变化能够提供事件发生的线索，摘要以时间序列波动说明此类事件。EvoNet 同时建模节点级的状态到状态传播、图级的片段到片段传播，以及随时间变化的状态到片段交互。状态如何提取、边如何构建、预测目标及损失形式尚未验证。 作者报告，在五个真实世界数据集上，相较于 11 个基线取得改进，并能为事件预测结果提供更多解释。摘要未给出数据集名称、划分方式、指标、具体增益或解释性评估协议，因此不能据此判断改进幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中可提取相对稳定、可重复识别的状态，则状态转移关系的变化可能为事件预测提供补充信息。可复用部分是动态图表示与多层级传播机制；需改造状态提取、时间分段、构图规则及任务监督。低信噪比可能导致状态与边不稳定，被试和通道差异可能破坏状态对应，小数据也可能不足以估计可靠的转移关系。一个可检验的小实验是在明确预测时点与时间划分的 EEG 事件预测任务中，固定状态提取和训练数据，对比静态状态图与演化状态图，检验动态关系是否带来稳定增益。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对的是 EvoNet 如何利用状态转移关系的动态变化预测事件，以及节点级、图级传播和节点—图交互各自的贡献；其对 EEG 的适用性尚未验证。

  2. OpenReview · State space models74

    图卷积神经网络的非线性状态空间推广

    基于摘要分析。本文研究图卷积神经网络（GCNN）在网络数据上的表示学习，从状态空间视角解释图卷积，并提出以非线性、参数化状态更新进行层内节点聚合的一类推广模型，旨在改善特征提取与传播稳定性之间的权衡。 核心机制：作者将图卷积模块描述为一种简约的线性状态空间模型，其中状态更新矩阵是图移位算子。作者指出，这种更新本身非参数化，且随图谱性质可能出现状态爆炸或衰减，使 GCNN 的可学习自由度需要同时承担特征提取与处理不稳定性的任务。所提方法将节点特征聚合改为非线性、参数化的状态空间过程，并构建两种受递推机制启发的架构，分别不采用和采用节点门控，从而增加控制状态更新的手段。摘要未给出具体状态方程、门控形式、损失函数或训练配置，尚不能判断其稳定性保障属于理论性质还是经验改善。 结果与证据边界：作者报告，在 source localization 和 authorship attribution 任务上，所提非线性状态空间推广模型优于基线 GCNN。摘要未提供数据集、划分、评价指标和数值；实验协议、消融及统计信息尚未验证。这里的 source localization 未被明确描述为 EEG 源定位，不能据此视为脑信号验证。 平台推测（待验证）：迁移假设是，当 EEG 通道或脑区被表示为图节点、节点具有信号特征且图移位算子已定义时，可学习状态更新与节点门控可能缓解多步图传播中的特征衰减或放大。可复用的是层内聚合机制；需改造和核对的是 EEG 图构建、时序特征接口及训练监督。低信噪比、跨被试连接差异、通道变化及小数据条件可能使额外参数过拟合，或使门控抑制弱但有效的信号。一个可检验的小实验是在固定 EEG 图、相同特征与预先确定的跨被试划分下，对比 GCNN、无门控和有门控版本，在控制参数预算的同时考察任务指标及传播状态幅值；该实验是迁移建议，并非论文已验证结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读的具体原因是作者将图卷积的传播稳定性与状态空间更新联系起来，并提出可参数化的非线性节点聚合机制；其对 EEG 图建模的价值尚未验证。

  3. OpenReview · Representation learning73

    面向群体表征的动作关联与时间聚合学习

    基于摘要分析。本文研究视频中的集体活动识别，提出深度图模型，从人物视觉嵌入中学习动作关联与空间上下文，再通过时间聚合构建视频级群体表征；研究对象并非 EEG 或 BCI。 机制上，模型通过 GNN 推理建立人物间的动作关联，并为每个人生成包含动作关联与空间信息的局部演化描述符。时间聚合模块将这些描述符编码到 meta-action space，再聚合为用于集体活动识别的最终群体表征。摘要未提供图构建规则、监督方式、损失函数及具体时间聚合算子，这些实现细节尚未验证。 作者报告，在 collective activity dataset 和 volleyball dataset 上，识别 Accuracy 分别为 89.6% 和 91.3%，并称优于所比较的当时先进方法。摘要未说明数据划分、比较基线及评估细节，因此不能据此进行跨协议比较；实验协议、消融及统计信息尚未验证，代码可用性亦未确认。 平台推测（待验证）：可检验的迁移假设是，将“个体节点之间的关系推理＋时间描述符聚合”改造为 EEG 通道或脑区节点之间的关系建模，以探索空间关联与时间变化的联合表征。可复用的是关系推理和时间聚合思路，但视觉嵌入、人物空间信息与 meta-action space 均需针对 EEG 重设；原方法对数据规模及标注的具体依赖尚不明确。低信噪比可能导致伪相关，跨被试差异和通道配置变化可能破坏节点对应，小数据也可能使图结构过拟合。一个小规模可证伪实验是在固定 EEG 任务与跨被试划分下，对比相同编码器的纯时间聚合、加入关系推理及打乱节点关系三种设置，观察增益是否稳定且依赖真实关系结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其将个体动作关联的 GNN 推理与时间聚合结合的视频级群体表征路径，但摘要不足以核对比较协议，其对 EEG 的迁移价值尚未验证。

  4. OpenReview · State space models78

    时空图神经网络

    基于摘要分析。本文研究时变网络数据的联合时空建模，提出 Space-Time Graph Neural Network（ST-GNN），通过时间与图卷积滤波器的组合及逐点非线性激活，同时处理数据的空间拓扑和时间演化；贡献包括时空卷积定义，以及对图扰动和时间扭曲的稳定性分析。 核心机制是将卷积算子一般化为信号在其支撑结构上的扩散过程，再利用时间移位算子与图移位算子的组合构造时空图卷积。作者报告，在滤波器满足多变量 integral Lipschitz 条件时，ST-GNN 对底层图的小扰动及时间扭曲引起的时间域小扰动具有稳定性。摘要未给出稳定性界、扰动度量及完整假设，不能将这一结论扩大为对任意拓扑变化或任意时间变形的鲁棒性保证。 作者报告，去中心化控制系统的数值实验展示了该方法的有效性与稳定性，但摘要未提供任务规模、数据划分、对照基线或具体指标。网络结构细节、训练目标、实验协议、消融及统计信息尚未验证，代码和复现条件也尚未确认。 平台推测（待验证）：若将 EEG 通道作为图节点、通道间关系作为图边，联合时空卷积可能对应跨通道依赖与时间动态的建模问题；稳定性理论则可能为分析图构建误差及小幅时间错位提供工具。这一假设依赖有意义的通道图、适当的时间采样表示，以及任务训练所需的监督信息。可考虑复用时空卷积框架，但需改造 EEG 图构建方式、输入表示与任务输出，并核对理论条件是否适用。低信噪比、跨被试差异、通道缺失及小数据训练可能使“小扰动”假设或估计出的图结构失效。 一个可检验的小实验是在固定 EEG 任务与数据划分下，对图边权施加受控小扰动，并对时间轴施加小幅扭曲，比较 ST-GNN 与匹配训练条件的时序模型、图模型的性能退化曲线；若退化并未减缓，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其基于图与时间移位算子的联合卷积机制及稳定性条件，但去中心化控制实验不能直接证明其对 EEG 图结构变化或时间扭曲的适用性。

  5. OpenReview · Representation learning73

    CuCo：基于课程对比学习的图表示

    基于摘要分析。本文研究整个图的低维表示学习，针对既有图对比学习主要关注正样本增强、负样本作用探索较少的问题，提出自监督图级表示学习框架 CuCo，以从易到难的负样本选择组织训练。原论文的主要对象是图表示与图分类，并非 EEG 或 BCI。 核心机制：作者引入四种图增强技术构造正、负样本，并使用图神经网络学习表示；随后通过评分函数对负样本难度排序，再用 pacing function 自动选择各训练阶段使用的负样本。摘要未给出具体增强操作、难度评分定义、节奏函数形式、对比损失及网络结构，这些实现细节尚未验证。 结果与证据范围：作者报告，在十五个真实世界图分类数据集上开展的实验及参数分析显示，CuCo 在分类表现和收敛方面取得积极结果。摘要没有提供数据集名称、划分协议、对照方法、具体指标或数值，因此不能据此判断提升幅度或不同任务上的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将每段 EEG 表示为以通道为节点、通道关系为边的图，CuCo 的负样本难度排序与课程调度可能用于研究 EEG 图级自监督学习中负样本选择的问题。这一假设依赖图构造、增强方式和负样本语义，需要改造 EEG 图增强与难度度量，不能直接沿用原领域结论。低信噪比、跨被试差异、通道配置变化和小样本条件可能使难度排序反映噪声或被试身份，而非任务相关信息；语义相近的片段也可能成为假负样本。可检验的小实验是在固定 EEG 图构造、编码器、增强和训练预算下，比较随机负样本选择与课程式选择，并在按被试隔离的 Cross-subject 划分中评估下游分类及收敛稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是 CuCo 将图级自监督对比学习的关注点从正样本增强扩展到负样本难度排序与训练节奏控制，可进一步核对其分类表现和收敛收益是否来自课程式负样本选择。

  6. OpenReview · Representation learning74

    面向场景文本识别的基元表示学习

    基于摘要分析。本文研究自然场景中文字形态和方向多变时的文本识别问题，提出基元表示学习方法，通过图聚合与图卷积网络构建高层视觉文本表示，并形成 PREN 与 PREN2D 两种识别框架。 核心机制是将特征图中的元素视为无向图节点，使用 pooling aggregator 和 weighted aggregator 学习基元表示，再由图卷积网络将其转换为高层视觉文本表示。PREN 使用这些表示进行并行解码；PREN2D 则将其融入带有 2D attention 的 encoder-decoder，旨在缓解注意力方法中的对齐偏差。相较摘要提及的 CNN-RNN-CTC 和注意力式 encoder-decoder，其研究重点是表示构建方式，而非仅改变解码策略。具体图连接规则、聚合计算、损失函数及训练流程尚未验证。 作者报告，在英语和中文场景文本识别任务上，PREN 在准确性与效率之间取得平衡，PREN2D 达到当时的 state-of-the-art 性能。摘要未提供数据集名称、数据划分、对照基线、具体指标或推理耗时，因此尚不能量化这些优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，基元聚合可能为 EEG 多通道特征提供一种压缩与交互建模方式，但原问题依赖图像空间结构及文本识别监督，不能直接等同于 EEG 的时空结构与任务监督。可复用候选是聚合器和图卷积模块，需改造节点定义、连接关系及任务输出，而非照搬文本解码器。低信噪比可能使聚合器突出伪迹，跨被试和通道布局变化可能破坏图结构，小数据也可能使可学习聚合权重过拟合。一个小规模可证伪实验是在固定 EEG 编码器和同一跨被试划分下，对比简单池化与基元聚合，核对相同任务指标及计算开销。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其以图聚合构建视觉文本表示、分别支持并行解码与二维注意力对齐的机制，但性能与效率优势仍需结合全文中的评估协议核对。

  7. OpenReview · Representation learning71

    异质信息网络的公平表征学习

    基于摘要分析。该研究关注异质信息网络（HINs）的表征学习是否会编码或放大社会偏见，主要应用是自动职业咨询中的性别偏见缓解。作者提出基于采样、投影和图神经网络（GNN）的去偏方法，并系统研究公平性与预测准确性之间的权衡。 技术上，三类方法提供了不同的去偏路径，但摘要未给出采样规则、投影空间、GNN 结构、损失函数或敏感属性的使用方式，不能据此确定其具体实现。研究对象是含异质关系的网络表征及职业推荐，不是 EEG 信号解码或 BCI 算法。 作者报告，在两个数据集的自动职业咨询应用中评估了这些方法，并依据结果识别不同条件下最有效的公平 HINs 表征学习技术。摘要未披露数据集名称、划分方式、公平性定义、预测指标、对照基线及具体数值，因此尚无法判断公平性改善幅度、预测性能代价或结论的泛化范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究将被试、记录与任务组织为异质图，且具有明确的敏感属性和公平性目标，这些去偏路径可能用于检验不同群体之间的预测差异；但公平性不等同于跨被试泛化。可考虑复用去偏框架，仍需改造图构建、信号编码及公平性评估。低信噪比、小样本、群体与任务标签相关或通道配置差异，都可能使去偏同时损伤任务信息。一个可检验的小实验是在固定跨被试划分与相同信号编码器下，比较原始异质图表征和一种去偏方法，同时评估任务性能与预先定义的群体差异指标。该实验仅是假设性迁移检验，不能视为原论文已验证的 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读的具体原因是比较采样、投影与 GNN 三类异质信息网络去偏方法的公平性—预测准确性权衡，但摘要不足以核对各方法的适用条件与效果。

12月16日周三
  1. OpenReview · EEG71

    结合 EEG 信号频域复杂网络的序列图卷积网络用于癫痫检测

    基于摘要分析。本文研究基于 EEG 的自动癫痫发作检测，针对时域复杂网络表示易受相位偏移影响、产生不期望的类内变异这一问题，提出频域复杂网络表示，并以 Sequential Graph Convolutional Network（SGCN）提取兼顾图结构与序列信息的特征。 核心机制：作者认为，将 EEG 转换到频域能够实现数据对齐，但同时需要保留信号中的序列信息。为此，SGCN 将图神经网络（GNN）架构与新的序列卷积操作结合；摘要将该序列卷积描述为保留序列信息的关键。这里的 complex network 指复杂网络图表示，不能据此推断采用复数值神经网络。频域图的节点、边及权重如何定义，序列对应何种维度，以及卷积操作、损失函数和训练流程，均尚未验证。“完美数据对齐”属于作者的机制主张，其适用条件仍需查阅全文。 结果与证据边界：作者报告，广泛实验支持方法的有效性与可解释性，但摘要未提供数据集、被试数、数据划分、被试内或跨被试协议、对照基线及具体指标，因此不能判断提升幅度或泛化范围。实验协议、消融及统计信息尚未验证；可解释性的评估方式也需核对。 复现条件与阅读重点：作者提供了源代码链接，但代码可用性、依赖环境及实验配置尚未验证。复现时应重点核对频域图构建与序列卷积的实现、相位偏移对表示及检测结果的影响，以及各模块贡献的实验依据。研究对象是 EEG 癫痫发作检测，摘要结果不能直接视为其他 BCI 任务中的有效性证据。

    阅读价值：值得阅读的具体原因是其针对相位偏移引起的 EEG 图表示类内变异，提出频域复杂网络与序列图卷积结合的机制；该机制的有效性与可解释性仍需结合全文实验核对。

1月1日周三
  1. OpenReview · EEG72

    用于癫痫检测的基于 EEG 信号频域复杂网络的序列图卷积网络

    基于摘要分析。该研究针对 EEG 自动癫痫发作检测，提出在频域构建复杂网络表示，并使用 Sequential Graph Convolutional Network（SGCN）提取特征，旨在缓解时域复杂网络受相位偏移影响而产生的类内差异，同时保留序列信息。 核心机制：作者认为，既有时域复杂网络表示容易因相位偏移产生不期望的类内变化，因此将复杂网络构建转向频域，并声称可在该表示中实现完全数据对齐。频域转换也带来保留序列信息的需求；SGCN 将图神经网络（GNN）架构与一种新的序列卷积操作结合，作者将该操作视为保存序列信息的关键。这里的“复杂网络”指图表示，并不能据此认定模型采用复数神经网络。频域图的节点与边定义、序列维度的具体含义、卷积计算及训练目标尚未验证。 结果与证据边界：作者报告，广泛实验支持该方法的有效性与可解释性，但摘要未给出数据集、被试数量、数据划分、对照基线或具体指标，因此尚不能判断其在被试内、跨被试或跨会话条件下的检测表现，也不能据此确认其适用于在线 BCI。实验协议、消融及统计信息尚未验证。 复现条件：摘要提供了源代码地址，但代码完整性、数据获取条件与运行环境尚未核验。阅读全文或复现时，重点应核对频域表示实现数据对齐的条件、序列卷积相对于普通图特征提取的作用，以及可解释性结论的评估依据。论文的主要研究对象是 EEG 癫痫发作检测，不应将其直接等同于 BCI 控制任务的性能改进。

    阅读价值：值得核对频域复杂网络能否降低相位偏移引起的类内差异，以及 SGCN 的序列卷积如何保留序列信息；摘要提供了代码地址，但具体实验协议与效果尚未验证。

  2. OpenReview · Representation learning70

    面向精神分裂症诊断的动态脑网络层级表征学习

    基于摘要分析。研究针对动态脑网络（DBN）的手工特征难以充分学习其层级时间结构的问题，提出图卷积网络框架下的层级表征学习方法 HARL，用于精神分裂症诊断。原研究对象是由一组随时间变化的功能连接矩阵构成的动态脑网络，而非直接面向 BCI 的信号解码。 方法将每个时变状态作为图节点，以该状态的功能连接矩阵确定节点特征，并根据节点特征学习边。HARL 的每个层级包含卷积层与池化层：卷积层聚合邻居信息以更新状态表征；池化层结合节点特征和图拓扑选择重要状态，构成供下一层处理的粗化图。各层级分别聚合节点特征生成 DBN 表征，再输入全连接层进行疾病预测。其机制重点是对“状态之间的关系”进行图建模，而不是直接把脑区作为此图的节点；不过，时间顺序如何编码、状态筛选如何保留动态信息，仍需核对全文。 作者报告，在一个真实精神分裂症数据集上的实验支持该方法的有效性与优势。摘要未提供采集模态、数据集名称、样本量、划分方式、对照方法或定量指标，因此无法判断跨被试泛化和相对收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能获得可靠的时变功能连接矩阵，可尝试复用状态图建模及层级池化，并改造连接估计与节点特征构造。该假设依赖连接估计和状态关系的稳定性，低信噪比、跨被试差异、通道配置变化及小数据均可能削弱效果。一个可检验的小实验是在固定的跨被试划分下，比较 HARL 式层级状态图与简单状态特征聚合，并检查状态筛选的稳定性；这不构成已证实的 EEG/BCI 效果，相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以动态状态为节点、通过图卷积和层级池化学习动态脑网络表征的机制，但精神分裂症诊断的具体效果与评估协议尚未验证。

  3. OpenReview · Representation learning75

    通过神经稀疏化实现鲁棒图表示学习

    基于摘要分析。该研究针对通用图表示学习中邻域聚合混入任务无关信息、影响泛化的问题，提出监督式图稀疏化方法 NeuralSparse，通过学习删除潜在的任务无关边，改善下游图神经网络的预测表现；原研究对象并非 EEG 或 BCI。 机制上，NeuralSparse 同时利用图结构与非结构信息，以深度神经网络参数化稀疏化过程，并通过下游任务的反馈优化参数。其可与现有图神经网络衔接，核心思路是学习哪些连接值得保留，而非直接聚合全部邻域信息。具体边选择机制、损失函数及训练与推理流程尚未验证。 作者报告，在基准及私有数据集的节点分类任务中，NeuralSparse 与现有图神经网络结合时，测试 Accuracy 最高改善 7.2%；摘要未明确该数值是相对提升还是百分点增益，也未提供对应数据集、划分和基线，不能据此作跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 已被表示为以通道为节点、连接关系为边的图，任务监督的边筛选可能用于抑制与解码目标无关的连接。该假设依赖图构建质量、节点特征及足够的监督数据；可复用的是任务反馈驱动的稀疏化思路，需要改造的是 EEG 图构建及边选择约束。低信噪比、跨被试连接差异、通道配置变化和小样本可能使筛边过程过拟合，或删除有用的弱连接。一个可检验的小实验是在固定 EEG 图构建、骨干模型和跨被试划分下，对比不稀疏化、等边数随机稀疏化与学习式稀疏化，并检查多次运行的表现及边选择稳定性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是利用下游任务监督学习图边稀疏化、以减少无关邻域信息的机制；其对 EEG 图建模的适用性尚未验证。

  4. OpenReview · State space models72

    基于嵌入空间图神经网络的径迹种子生成与标注

    基于摘要分析。本文面向高亮度大型强子对撞机（HL-LHC）的海量粒子径迹重建，研究如何结合图神经网络（GNN）与学习型嵌入空间，完成径迹种子生成、探测器命中点关联及径迹识别；主要研究对象是粒子探测数据，而非脑信号。 方法将一次事件表示为图：节点对应探测器命中点，边对应命中点之间的候选线段，节点和边可携带探测器信息。GNN 通过消息传递传播嵌入特征，并预测节点、边或整图属性。在既有双命中点组合（doublet）似然预测工作的基础上，本文探索架构、构图和嵌入表示的扩展。学习得到的表示包含非线性度量结构，可用于聚类和邻域查询；所得图既可输入 doublet、triplet 分类器，也可通过嵌入空间聚类实现端到端径迹分类，之后结合探测器物理知识进行后处理。 作者报告，在 TrackML particle tracking challenge 数据集上，该框架在种子生成和径迹识别两项任务中取得有利结果，命中点图分类亦呈现积极表现。但摘要未提供具体指标、数值或对照条件，无法判断改进幅度，也不能将其概括为已验证的最优方法。网络结构、损失函数、训练规模、数据划分、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的跨领域机制是“学习表示后再构图”，对应 EEG 图方法中邻接关系难以预先确定的问题。原任务依赖命中点、候选线段及探测器几何与物理约束；迁移时需重新定义 EEG 节点、邻接目标和监督信号，不能直接沿用径迹后处理。低信噪比、通道布局差异及小样本可能使邻域反映噪声或被试身份，而非任务关系。一个可检验的小实验是在固定 EEG 编码器、分类器与跨被试划分下，仅比较固定邻接和嵌入邻域构图，并核查性能及邻域稳定性。该建议不是原文结果，相关 EEG 工作尚未检索确认。

    阅读价值：值得关注的是学习型嵌入如何同时服务于构图、邻域查询和径迹分类，但其证据来自粒子追踪任务，不能据此认定对 EEG 或 BCI 有效。

1月1日周二
  1. OpenReview · Representation learning72

    从部分观测轨迹中学习经典规划的表示

    基于摘要分析。本文研究经典规划中完整领域模型难以手工指定、从轨迹学得的声明式模型又可能因不准确而影响规划求解的问题，提出基于图神经网络（GNN）的 LP-GNN，以向量化领域表示结合无模型学习与基于模型的规划。 技术机制上，LP-GNN 将命题与动作嵌入图中，探索二者的潜在关系，以形成领域特定的启发式。其研究对象是经典规划领域模型，而非 EEG 表征或 BCI 解码。相较于先学习 STRIPS、PDDL 等声明式领域模型、再调用现有规划器的路线，该方法尝试通过学习到的关系表示支持规划求解。摘要未说明图的具体构造、部分观测的生成方式、训练目标及推理流程，这些细节尚未验证。 作者报告，在五个经典规划领域中，与领域模型学习方法 ARMS 相比，LP-GNN 学得的领域模型更有效地支持规划问题求解。摘要未给出领域名称、数据划分、观测完整度、具体指标或数值，因此无法据此判断提升幅度、跨任务泛化能力或比较条件；实验协议、消融及统计信息尚未验证。 该工作的阅读价值主要在于部分观测条件下的关系表示学习与规划启发式构建。材料没有提供神经信号数据、BCI 任务或可直接对应的迁移机制，不能将其规划结果视为 EEG/BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注 LP-GNN 如何将不完整轨迹中的命题与动作关系转化为规划启发式，但其相对 ARMS 的优势仍需结合全文中的观测协议、任务划分与评价指标核对。

  2. OpenReview · Representation learning72

    利用多图神经网络学习跨域表征

    基于摘要分析。本文研究推荐、搜索排序和在线广告等场景中的物品嵌入学习，针对单一域用户历史行为不足导致的数据稀疏问题，提出 Deep Multi-Graph Embedding（DMGE），利用不同域中涉及相同物品的相关行为学习跨域表征。 方法首先依据不同域的用户行为构建多图，再通过多图神经网络以无监督方式学习表征，并采用多梯度下降优化器训练模型。其核心思路是利用相关域的互补信息，而非仅依赖单域行为。摘要未交代图的节点与边定义、跨域信息交互方式、具体训练目标及梯度协调规则，这些机制仍需查阅全文核对。 作者报告，在多个大规模真实世界数据集的多项任务上，DMGE 优于所比较的嵌入方法；但摘要未列出数据集名称、任务指标、数据划分、基线配置或提升幅度，不能据此量化优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制对 EEG 的潜在启发是将不同被试或会话表示为相关图，利用互补结构缓解单域样本不足；这一假设依赖可对齐的节点语义及具有可比性的边关系，不能直接照搬原文中“相同物品”的跨域对应关系。可考虑复用多图表征与梯度协调思路，但需改造 EEG 图构建及跨域对齐模块。低信噪比、通道差异和小样本可能使图结构不稳定，跨被试差异还可能导致负迁移。一个小规模可证伪实验是在固定跨被试划分与相同训练数据下，对比单图学习和多图联合学习，并以打乱跨域节点对应关系作为对照，检验收益是否确实来自有效的跨域结构。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是 DMGE 通过多图联合表征与多梯度下降优化利用相关域的互补信息缓解物品嵌入稀疏性，但其对 EEG 跨域学习的价值尚未验证。

  3. OpenReview · Representation learning72

    Cascade2vec：通过循环图神经网络学习动态级联表示

    基于摘要分析。该研究针对社交网络中信息传播级联的增长预测，提出 Cascade2vec，以图神经网络学习级联的空间结构，再结合循环神经网络捕捉动态图之间的时间关系，形成动态图级表示。 核心机制是改进图神经网络：设计在节点之间共享注意力权重的图残差块，并通过感知层变换特征；随后将该图网络整合进循环神经网络，联合建模级联的空间与时间特征。其针对的既有方法主要基于循环神经网络以及随机游走或传播路径表示，作者认为这些方法不足以刻画整个级联的深层时空特征。摘要未提供具体损失形式、图序列构造方式或训练细节。 作者报告，在 Microblog network dataset 的一小时级联预测设置下，相较摘要所称的强基线，mean squared logarithmic error 和 median squared logarithmic error 分别降低 16.1% 和 12%。这些是对应误差指标的相对降幅，并非准确率提升；基线名称、数据划分、一小时预测的具体时间协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是以图编码器处理空间关系、以循环模块处理图序列，这可能用于探索 EEG 通道关系随时间变化的建模，但原论文研究对象是人员间的信息传播，并非神经信号。迁移需将传播节点和边替换为 EEG 通道及其关系，并重设监督目标；原研究的数据规模和监督构造尚未验证。低信噪比导致的边估计不稳定、跨被试差异、通道配置变化和小数据过拟合均可能使迁移失败。一个可证伪的小实验是在固定跨被试划分与相同输入窗口下，对比静态图模型、仅时序模型和动态图循环模型，并消融图残差块，以检验收益是否来自动态图机制。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注其将图级空间表征与图序列时序建模结合的机制，但摘要中的优势仅来自信息传播级联预测，不能据此认定其对 EEG 或 BCI 有效。

1月1日周一
  1. OpenReview · State space models75

    使用 Graph State LSTM 进行 n 元关系抽取

    基于摘要分析。本文研究跨句 n 元关系抽取，即识别分布于多个句子中的 n 个实体之间的关系，提出 Graph State LSTM，在保留原始文档图结构的条件下，通过迭代消息传递更新各词的状态。 核心机制与对照：输入被表示为 document graph，整合句内与句间依赖。摘要中的主要对照方法将图拆分为两个有向无环图（DAG），分别使用 DAG-structured LSTM 建模；作者认为拆图可能损失重要信息。所提方法为每个词维护可并行更新的状态，并通过消息传递反复丰富状态表示，避免上述拆分。具体状态更新方程、边类型处理、训练目标和迭代次数尚未验证；不应仅凭来源分类将其视为现代 State Space Model。 结果与证据边界：作者报告，在一个标准关系抽取 benchmark 上取得当时文献中的最佳结果，并称更高的并行化程度可加快计算。摘要未提供 benchmark 名称、数据划分、指标数值、具体基线或运行时间，因此无法量化性能与效率收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考察的跨领域假设是，将“保留图结构并迭代更新节点状态”的机制用于 EEG 通道图，以建模通道间依赖。原方法依赖词节点及语言依赖边；迁移时需改造节点特征、图构建和任务监督，而不是直接复用语言结构。低信噪比、跨被试连接差异、通道配置变化及小数据可能使消息传递扩散噪声或导致过拟合。一个可检验的小实验是在固定 EEG 数据划分与相同节点特征下，对照保留通道图、拆分为 DAG 和不使用消息传递的模型，分别核对任务表现与计算耗时。上述假设不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其在保留原始文档图结构的同时，通过并行词状态与迭代消息传递建模跨句关系的机制；性能及计算效率优势仍需结合全文中的评估协议核对。