面向时序知识图谱补全的粒度表示学习

基于摘要分析。本文研究时序知识图谱（TKG）中的事实缺失与链接预测问题，提出 Learning Granularity Representation（LGRe），通过多粒度时间表示与自适应加权，建模实体、关系及历史时间语义之间的联系。主要研究对象是时序知识图谱补全，而非 EEG 信号解码或 BCI。 方法包含 Granularity Representation Learning（GRL）和 Adaptive Granularity Balancing（AGB）两个组件。GRL 使用时间特定的多层卷积神经网络，捕获不同时间粒度下实体与关系的交互；AGB 根据时间语义，为这些嵌入生成自适应权重，以形成用于预测的表示。论文还引入时间损失函数，以体现相邻时间戳的语义相似性；具体损失形式与训练流程尚未验证。其主要思路是显式利用人工定义时间粒度所蕴含的规律，而不只依赖独立时间嵌入或时间与实体、关系的组合表示。 作者报告，LGRe 在四个事件基准上的实验支持其学习时间相关表示的有效性。摘要未列出基准名称、数据划分、对照方法、评价指标及具体数值，因此无法判断增益幅度或不同评估协议下的表现。实验协议、消融及统计信息尚未验证。作者提供了代码地址，但实现细节、运行环境及复现结果尚未核对。 该方法依赖带时间戳的实体—关系事实，以及可解释的时间粒度语义，不能直接等同于面向连续 EEG 波形的多尺度特征学习。现有材料不足以建立具体的 EEG/BCI 迁移路径，相关工作亦尚未检索确认。