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。

434 条精选近 30 天 52 条共收录 639 条

更新

精选归档 · 第 22 页

12月16日周三第 421–434 条
  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 learning72

    基于 motifs 的图卷积多层网络用于图表示学习

    基于摘要分析。该研究面向图节点表示学习，提出 mGCMN，将节点特征与 motifs 所描述的高阶局部结构结合，而非仅依赖边所表达的二元关系，目标包括为此前未见的数据生成节点嵌入。 机制与结果：motifs 用于描述图中的局部连接模式，是本文相对于仅利用边关系的方法的主要切入点。作者报告，不同类型网络具有不同的关键 motifs；在引文网络和社交网络数据集的实验中，方法相对基线表现出优势，并观察到分类 Accuracy 增益与聚类系数正相关。摘要未提供具体数据集名称、划分协议、基线、数值或统计不确定性，因此不能据此判断优势幅度、适用范围，也不能将相关性解释为因果关系。motifs 的选择与编码方式、网络结构、训练目标、未见数据的评估方式，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 功能连接图中的高阶局部连接模式包含稳定的任务信息，motifs 表征可能补充仅使用成对连接的图学习方法。可考虑复用 motifs 提取与节点特征融合思路，但需改造 EEG 图构建、连接阈值和节点特征定义；其依赖可靠的图结构、节点特征及相应任务监督，具体训练规模要求尚未验证。低信噪比可能造成伪 motifs，跨被试通道差异与小数据也可能使局部模式不稳定或过拟合。 可检验的小实验是：在同一 EEG 数据划分、节点特征和图构建规则下，对照仅使用边的模型与加入 motifs 的模型，并检查增益是否随连接阈值改变而保持稳定；这只是迁移假设，不是原论文已验证的 EEG 结果。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 mGCMN 如何将 motifs 高阶局部结构与节点特征结合，以及作者报告的分类 Accuracy 增益与聚类系数之间的关系，但其在 EEG 图上的适用性尚未验证。

  3. 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。

  4. 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。

  5. 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。

  6. OpenReview · Representation learning72

    DualGCN：通过双层级卷积网络进行属性图表示学习

    基于摘要分析。本文研究节点与边均具有高维属性的属性图表示学习，提出 DualGCN，以节点级和边级卷积联合建模属性与图结构，针对既有方法对边属性利用不足的问题。 核心机制是交替堆叠节点级与边级卷积层，使节点嵌入与边嵌入相互增强。方法还利用 2-hop 邻居，并为中心节点或中心边赋予双倍权重，以改善结构信息的利用。摘要未提供具体消息传递公式、损失函数、层数及训练配置，这些内容尚未验证。 作者报告，在多个真实世界属性图数据集上的节点分类、链接预测和图分类任务中，DualGCN 持续优于所比较的基线及当时先进方法，且优势显著；但摘要未列出数据集名称、划分协议、指标、具体数值或统计检验，因此不能量化其增益。实验协议、消融及统计信息尚未验证，尤其需核对双层级交替更新、2-hop 邻域和中心双倍权重各自的贡献。 平台推测（待验证）：其可迁移机制在于同时更新节点与边的多维属性，而非仅以固定标量边权连接节点。若 EEG 任务能构建以通道特征为节点属性、以多频段连接特征为边属性的图，可考虑复用双层级更新框架，但需改造图构建、边属性定义与任务输出。低信噪比可能使连接估计不稳定，跨被试差异及通道布局变化可能破坏属性对应，小数据条件下复杂边表示也可能过拟合。可在固定的跨被试划分下，对比仅节点属性模型与双层级模型，并通过移除或打乱边属性检验其增益是否确实来自边信息；这仅是可检验假设，不是已证实的 EEG/BCI 效果。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 DualGCN 如何通过交替的节点级与边级卷积联合利用高维属性，但其性能优势及向 EEG 图建模迁移的有效性仍需分别验证。

  7. OpenReview · Representation learning72

    基于模体的图卷积多层网络图表示学习

    基于摘要分析。本文研究如何在图表示学习中利用超出二元边关系的高阶局部结构，提出 mGCMN，将节点特征与图中的模体（motifs）结合，用于生成节点嵌入，包括对先前未见数据的表示。 核心机制是将 motif 所描述的高阶局部关系纳入图表示学习，而非仅依赖边连接。摘要未交代 motif 的具体类型、构建方式、与节点特征的融合过程、网络结构或训练目标，因此尚不能确定其高阶信息编码与推理流程。作者报告，不同类型的网络具有不同的关键 motif，这提示 motif 的选择可能需要适配具体图结构，但其选择依据尚待正文核对。 作者报告，在引用网络和社交网络数据集的实验中，mGCMN 相比基线具有优势，并观察到分类 Accuracy 的提升与聚类系数呈正相关。摘要未提供数据集名称、划分方式、基线配置及具体数值；该相关性不能直接解释为因果机制。实验协议、消融及统计信息尚未验证，对未见数据的具体评估方式也需核对。 平台推测（待验证）：若将 EEG 通道视为节点、功能连接视为边，motif 可能用于表达成对连接之外的局部协同结构；可考虑复用高阶结构编码思路，但需改造节点特征、连接估计和 motif 构建方式。此假设依赖估计稳定且跨样本可比的图结构，低信噪比、通道布局差异及小样本均可能使 motif 不稳定。一个可证伪的小实验是在固定 EEG 图构建和被试内数据划分的前提下，对照仅使用边的模型与加入 motif 的模型，检验分类收益及其对连接阈值的敏感性。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 mGCMN 如何将 motif 高阶局部结构与节点特征结合，以及其分类收益与聚类系数的关系；摘要中的证据限于引用网络和社交网络，尚不能证明其对 EEG 图建模有效。

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 learning74

    追踪传播路径：图表示学习的信息流视角

    基于摘要分析。本文研究图表示学习中 GCNs 的过平滑与大规模稠密图计算扩展问题，提出 Flow Graph Network（FlowGN），以显式的“information flow path”描述信息从何处出发及如何扩散，并将网络层结构与信息传播过程解耦。 机制上，作者将现有 GCNs 的传播策略概括为“Sink→Source”模式，认为其可能是深层结构效果受限及递归邻域扩展的共同原因，进而研究“Source→Sink”传播模式。FlowGN 旨在以更灵活的信息传播策略学习节点表示；其主要方法价值在于重新组织传播路径，而非仅增加 GCN 层数。具体路径构造、传播算子、监督方式、训练目标和复杂度尚未验证。 作者报告，在公共数据集上的实验中，FlowGN 优于所比较的先进 GCNs，并称其具有计算效率优势。摘要未提供数据集名称、任务、划分、指标、具体数值或效率测量条件，因此尚不能判断优势的适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 被表示为以通道为节点的图，显式传播路径与层结构解耦可能为控制跨通道信息混合提供方法线索，但原文研究对象是一般图节点表示，并未提供 EEG/BCI 验证。可复用候选是传播路径组织机制，需改造的是 EEG 图构建、时序编码及任务读出；低信噪比、不稳定连接、跨被试通道差异和小数据可能使路径传播放大噪声或产生过拟合。一个可证伪的小实验是：固定 EEG 数据划分、通道图与时序编码器，仅替换常规 GCN 和 FlowGN 传播模块，在一致训练预算下比较任务指标、随深度变化的节点表示相似度及计算开销。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对 FlowGN 如何通过显式信息流路径解耦网络层结构与图传播过程，以及这种设计能否缓解过平滑和邻域递归扩展；摘要中的性能与效率主张仍需全文实验支持。

  3. 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。

  4. 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 · Representation learning72

    图上的特征传播：图表示学习的新视角

    基于摘要分析。本文研究图表示学习中的特征传播推理过程，核心贡献是形式化定义特征传播，并分析其收敛到平衡状态的条件；随后将这一视角与 node2vec、structure2vec 联系起来，并将节点表示扩展到边表示 edge2vec，用于真实场景的欺诈交易检测。 机制与理论：摘要将特征传播描述为把特征在图上传播至 t 阶，以扩展端点的特征信息。作者指出，缺乏收敛保证的传播可能引发数值溢出及任务失败，因此重点考察传播何时达到平衡。具体传播算子、收敛条件、证明适用范围，以及与既有方法的数学对应关系，均需正文核对，不能据摘要认定其适用于任意图或任意图神经网络。 实验与证据：作者报告，edge2vec 在真实场景欺诈交易检测实验中具有竞争力。摘要未提供数据集名称、数据规模、划分方式、对照方法或具体指标；实验协议、消融及统计信息尚未验证。该结果属于交易图上的边表示应用，不是 EEG 或 BCI 有效性的证据。 平台推测（待验证）：假设 EEG 通道或脑区构成图、信号特征作为节点属性，传播收敛分析可能有助于审查图模型的数值稳定性。可尝试复用传播算子及收敛条件的分析框架，但需先确认其对所用图结构、权重与更新规则是否成立，并改造 EEG 图构建和时序特征接口。低信噪比、跨被试连接差异、通道变化及小数据下不可靠的图估计，都可能使稳定传播仍无法获得有效表征。一个可检验的小实验是在固定数据划分与下游模型的条件下，比较满足与不满足论文收敛条件的传播设置，记录迭代特征范数、数值异常及任务表现，检验稳定性是否对应实际收益。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其对图特征传播收敛条件的形式化分析及与 node2vec、structure2vec 的联系，但具体理论假设、实验表现及 EEG 适用性尚未验证。

  2. 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。