时空 $E(n)$-变换器：适用于时空图的等变注意力机制
内容提要
本研究探讨了群等变卷积神经网络（G-CNNs）的理论，提出了系统分类方法，并解决了特征空间之间的等变线性映射问题。同时，介绍了多种图神经网络模型，如EGNN和Equiformer，展示了它们在动态系统建模和时变图处理中的有效性。通过新架构和算法的引入，提升了模型的表达能力和数据效率，实验结果表明这些模型在多个数据集上表现优越。
延伸解读
理论统一与模型分类
文章提出的G-CNNs总体理论，将现有等变卷积网络按对称群、基础空间和场类型进行系统分类，并证明等变线性映射与等变核卷积一一对应。这为理解不同等变架构提供了统一视角，有助于研究者根据任务需求选择合适的对称群和场表示，避免重复设计。
从静态到动态的等变建模演进
文章梳理了从EGNN、Equiformer到EGNO、ESTAG等模型的发展脉络，显示等变图神经网络正从静态图向时空动态系统扩展。EGNO通过傅里叶空间等变时态卷积直接建模轨迹，ESTAG利用等变离散傅里叶变换捕捉周期模式，这些方法提升了动态系统模拟的准确性和数据效率。
时变图处理的效率与表达力平衡
EFT作为可逆谱变换方法，通过伪谱松弛分解转换过程，在保持计算效率的同时捕捉时变图的结构和位置特性。GraphSSM则将状态空间模型扩展到时间图，整合结构信息。这些工作表明，处理时变图时需在表达能力和计算成本之间权衡，而等变性和谱方法提供了有效路径。
Q&A
什么是群等变卷积神经网络（G-CNNs）？
群等变卷积神经网络（G-CNNs）是一种理论框架，用于在同种空间中进行特征映射和等变映射的建模。
EGNN模型在动态系统建模中有什么优势？
EGNN模型在动态系统建模中具有更好的伸缩性和性能，能够有效进行图自编码器的表征学习。
Equiformer模型的特点是什么？
Equiformer结合了变换器架构和等变特征，能够在多个数据集上取得良好的性能。
EFT方法如何处理时变图的结构特性？
EFT方法通过可逆谱变换灵活捕捉时变图的结构和位置特性，具有高度的计算效率。
ESTAG模型的主要功能是什么？
ESTAG模型是一种等变时空GNN，能够从历史轨迹中恢复非马尔科夫相互作用，验证其有效性。
GraphSSM框架的目的是什么？
GraphSSM框架旨在扩展状态空间模型理论，以建模时间图的动态性，并在各种基准测试中验证其有效性。
