DySarl：面向多模态知识图谱推理的动态结构感知表征学习

基于摘要分析。本文研究多模态知识图谱（MKG）推理，提出 DySarl，旨在捕获推理路径之外的实体结构交互，并根据待推理事实动态调整文本、图像等模态特征的作用，而非仅学习静态模态关系。 结构学习方面，DySarl 设计双空间多跳结构学习模块，通过消息传递融合欧氏空间与双曲空间中的结构信息，聚合多模态实体的多跳邻域特征。其目标是补充路径式方法对有限查询路径之外邻域信息的表征，而不是仅沿推理路径学习结构模态。摘要未提供双空间映射、消息融合或优化目标的具体定义。 模态交互方面，方法采用交互式对称注意力模块，结合对称注意力组件与事实特定的门控注意力单元，显式建模单模态注意力发送方及多模态注意力目标对待推理事实的动态影响，使多模态特征学习与后续推理过程关联。其与摘要所述既有方法的区别，在于不再仅依靠非对称共同注意力独立学习静态模态交互。 作者报告，在两个公开 MKG 数据集上，DySarl 相较所比较的最先进基线取得显著改善的推理性能；摘要未给出数据集名称、划分、指标、具体数值及显著性检验信息，因此尚不能判断提升幅度与适用范围。实验协议、消融及统计信息尚未验证。材料提供了源码地址，但代码可运行性、数据处理流程和复现条件尚未核验。 该方法依赖实体、关系、多跳邻域及实体关联的多模态信息，原研究对象并非 EEG 或 BCI。材料未提供这些知识图谱结构与神经信号任务之间的具体对应关系，因此不据此生成 EEG 迁移结论或复现实验建议；相关 EEG 工作尚未检索确认。