面向少样本关系抽取的以偏序为中心的双曲表示学习

基于摘要分析。本文研究少样本关系抽取（FSRE）中关系表示与实例表示处于不同表示空间、关系约束难以有效作用于实例而导致关系原型偏差的问题，提出端到端的 Partial Order-centered Hyperbolic Representation Learning（PO-HRL）框架，在双曲空间中显式建模关系与实例之间的偏序。 核心机制包括：基于 Lorentzian cosine similarity 构建双曲监督对比学习，以对齐关系与实例表示；将实例约束在其所属关系的 Lorentzian entailment cone 内，以偏序结构约束实例表示分布。其方法重点不只是用关系描述增强原型，还包括通过几何包含约束连接关系与实例。该机制依赖关系—实例归属监督，以及可被偏序结构表达的类别与样本关系；具体编码器、损失形式与训练配置尚未验证。 作者报告，PO-HRL 在三个基准数据集上优于强基线，尤其是在缺少关系描述的 1-shot 设置下。摘要未提供数据集名称、指标数值、划分及基线细节，因而尚不能判断提升幅度或跨设置稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务中的类别—试次关系适合表示为偏序，可尝试复用双曲监督对比学习和 entailment cone 约束，检验其是否有助于少样本类别原型估计；需将文本编码模块替换为 EEG 编码器，并重新评估类别表示的构造方式。风险在于 EEG 的低信噪比、跨被试差异和通道变化可能使同类试次难以满足统一锥约束，小数据也可能导致几何参数估计不稳定。一个可证伪的小实验是在固定的 Cross-subject 少样本 MI 划分下，保持 EEG 编码器、训练数据与调参预算一致，对照欧氏原型方法、双曲表示方法及加入偏序约束的方法，比较 Accuracy 与跨随机抽样波动。已有相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。