HERGC：面向多模态知识图谱的异构专家表征与生成式补全

基于摘要分析。该研究面向多模态知识图谱补全（MMKGC），利用图谱结构、图像和文本等异构信息推断缺失事实，提出 HERGC，将异构专家表征检索与 LLM 生成式预测结合。主要研究对象是知识图谱中的不完整三元组，而非 EEG 信号解码或 BCI。 方法分为两个阶段：Heterogeneous Experts Representation Retriever 先丰富并融合多模态信息，为每个不完整三元组检索紧凑候选集合；Generative LLM Predictor 再通过上下文学习或轻量微调，从候选中确定答案。作者将这一设计与主要依赖图谱内部信息、采用判别式训练目标的既有方法区分，尝试利用 LLM 的预训练知识与推理能力支持补全。摘要尚未说明专家结构、融合方式、检索目标、候选规模、提示模板及轻量微调配置。 作者报告，在三个标准 MMKG 基准上的实验显示 HERGC 优于既有方法，并具有鲁棒性；但摘要未提供基准名称、评估指标、具体数值、数据划分与对照配置，无法核对优势幅度及适用条件。复现时需核对候选检索覆盖率、生成式预测的独立贡献、两种 LLM 使用方式的比较，以及计算成本；这些实验协议、消融及统计信息尚未验证。 该机制依赖实体—关系三元组、多模态实体信息及可检索答案空间，不能直接等同于 EEG 多模态融合方法。当前材料未建立与 EEG/BCI 任务的具体机制对应，因此不提出迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。