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的链式与层级等混合结构难以由单一几何空间充分表达的问题，提出 Unified Geometry Knowledge Graph Embedding（UniGE），联合欧氏空间与双曲空间中的知识图谱嵌入。其主要贡献是通过最优传输实现嵌入对齐，并利用 Wasserstein barycenter 构建融合策略。 技术机制上，UniGE 面向知识图谱的结构化表示，而非神经信号建模：不同几何空间承担不同结构的表示，再通过对齐与融合形成统一表示。摘要未给出运输代价、边缘分布约束、融合权重、训练目标及推理方式，尚不能判断其计算开销或与既有 KGE 方法的具体接口。作者报告提供了理论分析，并以更稳健的误差界支持方法优势；误差界对应的对象、假设和比较条件尚未验证。 作者报告在三个基准数据集上开展实验，UniGE 的表现均优于所比较的先进方法。但摘要未提供数据集名称、任务与划分、基线、指标或数值，不能量化提升幅度，也不能核对理论结论与实验协议的对应关系。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究已将通道关系或脑区关系组织成同时含层级与链式结构的知识图谱，双空间对齐与融合可能为其结构表示提供候选机制；该假设依赖显式图结构，不能直接套用于原始 EEG 时序。可复用候选是最优传输对齐与几何融合，需改造的是图构建、节点与关系定义及下游任务接口。低信噪比、跨被试图结构变化、通道差异和小数据均可能使几何结构估计不稳定。一个可证伪的小实验是在固定图构建与相同下游模型下，对比欧氏、双曲及 UniGE 融合表示，并在严格跨被试划分中检验增益是否稳定；这不是论文已验证的结果。相关 EEG 工作尚未检索确认。