面向时序知识图谱上 LLM 推理的时间证据—参数协同对齐

基于摘要分析。本文研究 LLM 静态参数记忆与动态知识演化不匹配所导致的时序推理问题，提出 Temporal Evidence-Parameter Co-Alignment（TEPCA），在检索证据与参数适配两个层面联合引入时间约束。主要研究对象是时序知识图谱（TKG）上的 LLM 推理，而非 EEG 或 BCI 信号建模。 在证据层面，TEPCA 使用受时间约束的 Dynamic Relevance-Guided Path（DRGP）剪枝，以保留全局时间一致的路径；同时采用基于 Mutual Information（互信息）的剪枝，在时间约束下保留对查询有信息量的局部事实。这里的 MI 指互信息，不是运动想象。该设计旨在缓解仅按语义相关性检索时，证据虽各自相关、却在时间有效性与事件顺序上彼此割裂的问题。 在参数层面，Dynamic-Gated LoRA（DG-LoRA）以时间戳为条件，动态调节有效的低秩适配子空间，以应对实体语义演化与关系随时间变化。相较摘要所述固定、输入无关的常规 PEFT 更新，其机制差异在于适配过程依赖时间上下文；具体门控形式、训练目标与证据层如何协同尚未验证。 作者报告，TEPCA 在两个 TKG 基准上达到最先进性能；另在八个 commonsense QA 数据集上评估 DG-LoRA，作者据此报告其一般输入自适应能力、跨 LLM 骨干的可扩展性及可解释性。摘要未列出基准名称、数据划分、对照基线、指标与分数，因此不能量化提升，也不能据此确认各模块的独立贡献。实验协议、消融及统计信息尚未验证；参数开销、检索成本与推理延迟亦需查阅全文。 上述机制依赖带时间信息的知识图谱路径与事实，不能直接等同于神经信号的时间动态建模；当前材料不足以建立具体 EEG/BCI 迁移路径，不据此提出迁移效果或复现实验建议。