面向知识图谱推理的多粒度自适应表示学习

基于摘要分析。该研究面向知识图谱推理（KGR），即从已有知识图谱中推断新的事实三元组，提出多粒度自适应表示框架 MulGA。其核心贡献是利用连接子图，统一、分层地建模与查询相关的三元组、关系路径和子图，避免显式抽取图结构，并自适应融合不同粒度的证据。 作者指出，已有兼具直推式与归纳式推理能力的方法，通过局部邻域结构学习不依赖实体身份的表示，但存在效率问题，且对查询与不同结构之间相关性的利用不足。MulGA 在连接子图间执行消息传递，使实体获得查询相关的三元组及不同长度关系路径表示，再通过基于自注意力的合并机制为各粒度分配权重，形成子图粒度表示用于推理。具体连接子图定义、消息传递公式、训练目标及计算复杂度尚未验证。 作者报告，在涵盖直推式和归纳式任务的 15 个基准上，相较所比较的现有最先进方法，MulGA 的 MRR 平均分别提升 1.5% 和 2.7%；摘要未明确这些百分比的计算口径，不能将其改写为百分点。作者还报告收敛更快、推理时间具有竞争力，并缓解图神经网络的过平滑。基准名称、划分、对照实现、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务已有语义明确的实体—关系图及查询式预测目标，多粒度消息传递与自适应融合可能具有复用价值，但知识图谱中的关系路径不能直接等同于 EEG 通道连接。迁移需重新定义节点、关系、查询和监督目标；低信噪比、跨被试连接不稳定及小样本条件可能使路径证据失真。可在固定 EEG 图构建与被试划分下，对照单粒度聚合与多粒度自适应融合，检验增益及对连接扰动的敏感性。已有 EEG 相关工作尚未检索确认。