K-Link：利用 LLM 的知识链接图增强多变量时间序列数据的表征学习

基于摘要分析。本文研究多变量时间序列（MTS）的图表征学习：仅从传感器信号构图可能受小训练集影响，难以准确刻画传感器间依赖。作者提出 K-Link，从 LLM 中提取传感器语义知识及其关联，构建 Knowledge-Link graph，再通过图对齐模块将这些知识迁移到 MTS 数据构建的图中，以支持 GNN 表征学习。 核心机制是将信号驱动的关系估计与外部语义先验结合。摘要以物理原理为知识示例，强调传感器级知识及其相互联系；相较于仅依据信号构图的方法，主要变化在于引入知识图及图对齐。具体 LLM、知识抽取与提示方式、图的边和权重定义、对齐目标、训练及推理流程尚未验证。 作者报告，该方法在多种 MTS 下游任务中取得更优表现，但摘要未提供具体任务、数据集、划分协议、指标或对照结果，因此无法判断收益大小及适用边界。实验协议、消融及统计信息尚未验证，复现还需核对知识图生成流程、LLM 版本与外部知识使用条件。 平台推测（待验证）：其与 EEG 的潜在对应点，是小样本条件下通道关系估计不稳定。假设电极位置、脑区描述等信息能够提供与任务相关且可靠的先验，可考虑复用知识图与信号图对齐机制，但需改造传感器语义定义，并验证语义关系是否对应实际信号依赖。低信噪比、容积传导、跨被试差异及通道配置变化均可能使先验失效，LLM 生成的错误关联也可能放大偏差。可在固定 EEG 任务与跨被试划分下，对比纯信号图、真实语义知识图及打乱语义知识图，并逐步减少训练数据，检验收益是否确实来自语义先验。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。