VITA：面向时序超关系知识图谱的通用时间表示学习

基于摘要分析。本文研究时序超关系知识图谱中的事实有效期表示与链接预测，提出 VITA，以统一表示不同类型的时间有效性，并同时学习时间值与时间跨度信息。主要研究对象是知识图谱中的实体、关系及限定信息，并非 EEG 信号或 BCI 解码。 传统时序知识图谱方法通常按预设间隔构建快照，或按指定时间粒度将事实展开到整个有效期，因而可能对时间间隔与粒度选择敏感，并在处理长期乃至无限有效的事实时面临计算负担。超关系知识图谱可用限定信息描述事实的时间有效性；作者认为，已有表示对无限有效期的处理及时间信息编码仍不充分。VITA 据此覆盖 since、until、period、time-invariant 四类有效性，并从时间值与时间跨度两个方面学习时间信息。具体编码结构、优化目标及推理流程尚未验证。 作者报告，在真实世界知识图谱数据集上与多种基线比较，VITA 在预测缺失实体、关系、时间及其他数值字面量的链接预测任务中优于最佳基线，最高提升为 75.3%。但摘要未给出该最大提升对应的数据集、指标、划分、基线及计算口径，因此不能将其解释为所有任务的统一增益或准确率提升。作者还报告消融与案例分析支持关键设计；实验协议、消融及统计信息尚未验证。 该方法依赖具有时间有效性及限定信息的关系型事实结构，不能直接等同于对连续 EEG 时间序列的建模。现有材料未建立其与具体 BCI 瓶颈的机制对应关系，因此不据此提出 EEG 性能或迁移有效性结论；已有 EEG 相关工作尚未检索确认。