DSKRL：面向含噪知识图谱的差异度与支持度感知知识表示学习框架

基于摘要分析。该研究针对自动构建知识图谱时引入的噪声，提出 DSKRL，将知识表示学习与噪声检测联合处理；其主要研究对象是知识图谱中的实体、关系及三元组，而非 EEG 或 BCI 信号。 核心机制是在基于平移的方法中引入三元组差异度（triple dissimilarity）和三元组支持度（triple support），共同构建模型能量函数。差异度衡量三元组中实体与关系的匹配程度，支持度衡量这一匹配程度的可信度。为使估计更全面，框架综合使用图结构信息，以及实体层级类型、关系路径等辅助信息。摘要未提供能量函数的具体形式、各信息源的融合方式及训练细节，尚不能判断其实现成本与对辅助信息质量的依赖程度。 作者报告，在三个数据集上的知识图谱噪声检测和知识图谱补全任务中，相比所有对照基线取得显著且一致的改进。摘要未列出数据集名称、噪声构造方式、划分协议、评价指标、基线名称或具体数值，因此改进幅度、统计显著性检验及不同噪声条件下的稳定性尚未验证；实验协议、消融及统计信息仍需核对全文。 该方法依赖关系型三元组结构及实体类型、关系路径信息，不能直接视为适用于连续 EEG 信号的去噪方法。当前材料未建立与具体 BCI 任务的机制对应关系，不据此提出迁移效果或复现实验建议。