弥合空间差异：利用最优传输统一几何知识图谱嵌入

基于摘要分析。本文研究知识图谱中链式、层级等混合结构难以由单一几何空间充分表示的问题，提出 Unified Geometry Knowledge Graph Embedding（UniGE），将欧氏空间与双曲空间中的知识图谱嵌入统一起来。其主要贡献是基于最优传输的嵌入对齐与基于 Wasserstein 重心的融合策略。 技术机制方面，UniGE 不局限于选择一种嵌入空间，而是尝试对齐并融合两种空间的表示，以处理知识图谱的异质几何结构。摘要未说明最优传输的代价函数、跨空间映射方式、重心计算过程，以及具体训练目标和推理流程，这些实现条件尚未验证。 理论与实验方面，作者报告给出了支持该方法优势的理论分析，并获得更稳健的误差界；其成立条件、比较对象及界的具体形式仍需查阅正文。作者报告在三个基准数据集上的实验中，UniGE 优于所比较的先进方法，但摘要未提供数据集名称、任务、划分、指标或具体数值，实验协议、消融及统计信息尚未验证。作者将该方法描述为率先统一两类几何空间的 KGE 方法，这一优先性主张尚未独立核实。 本文的主要研究对象是知识图谱表示学习，而非 EEG 或 BCI。现有材料不足以建立其与神经信号建模的具体机制对应关系，不能据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。复现前需核对双空间嵌入如何构建、对齐与融合的计算开销，以及理论假设和实验设置是否一致。