通过掩码离散扩散进行超关系知识图谱的生成式表征学习

基于摘要分析。该研究面向超关系知识图谱（HKGs）中的知识推断，提出 fact generation 任务：从任意掩码查询补全多个缺失成分，乃至从头生成完整事实。作者提出 KREPE，以掩码离散扩散建模缺失成分的条件概率分布，将链接预测与事实生成纳入同一训练框架。 核心机制是同时利用局部事实成分与 HKGs 全局结构：通过上下文消息传递建模事实内依赖，通过聚合随机采样的上下文捕获事实间关联。相较于仅留一个空位的链接预测设定，这一任务允许多个甚至全部事实成分同时缺失。作者将 KREPE 称为首个面向 HKGs 的生成式表征学习方法；该优先性声明尚未独立核验。 作者报告，KREPE 在标准 HKG 链接预测基准上达到最先进性能，并在生成新颖且正确的事实方面优于基于 LLM 的基线。摘要未提供具体数据集、指标、分数、数据划分或基线配置，因而无法判断优势幅度及适用范围；扩散过程、训练目标、上下文采样策略、事实正确性评估、消融及统计信息尚未验证。 研究的主要对象是结构化知识图谱事实，而非 EEG 信号或 BCI 解码。其机制依赖实体、关系与事实结构，不能直接等同于连续神经信号的缺失补全；当前材料未建立具体的 EEG/BCI 迁移路径，相关已有工作尚未检索确认。