SFP：基于序列聚焦模式表示学习的时序知识图谱补全

基于摘要分析。该研究面向时序知识图谱补全中的外推任务，针对长序列中早期关键信息可能被稀释、不同时间戳的关系表示区分不足的问题，提出结合 Focus pattern 与 Sequential pattern 的 SFP 方法；研究对象是带时间信息的实体与关系，而非 EEG 或 BCI 信号。 机制上，作者提出图注意力网络 ConvGAT，用于区分和提取复杂关系信息，以改善两种模式中聚合得到的实体表示；另以 RelGAT 建模关系的拓扑结构，改善 Focus pattern 中不同时间戳的关系表示。Focus pattern 通过时间感知注意力提取特定时间戳的重要信息，补充 Sequential pattern 中可能被稀释的信息。摘要未说明两种模式的具体融合方式、损失函数及训练和推理细节。 作者报告，在五个基准数据集上的实验中，SFP 显著优于基线；但所给材料未列出数据集名称、评价指标、数值、基线及外推划分，显著性的统计依据也尚未验证，因而不能判断增益幅度或各模块的独立贡献。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 任务能够合理表示为随时间变化的实体—关系图，时间聚焦与关系拓扑建模可能提供可借鉴的模块，但原领域结果不等于 BCI 有效。迁移需重新定义节点、关系和时间窗口，并改造图构建及任务输出；低信噪比可能使关系边不稳定，被试与通道差异可能破坏拓扑一致性，小数据则可能使注意力过拟合。可在固定的 Cross-subject 划分及相同图构建条件下，比较序列基线、加入时间聚焦、再加入关系拓扑模块的表现，以检验增益是否可重复。相关 EEG 工作尚未检索确认。