ArcX：用于向量空间表征学习的统一关系编码器

该研究面向向量空间表征学习（VSRL），针对仅以质心距离描述关系易丢失几何细节、独立编码实体后再推断关系导致交互受限的问题，提出实体对层级的表征视角及统一关系编码器 ArcX，为空间实体对生成专门的关系嵌入。基于摘要分析，未取得论文全文。 机制上，ArcX 引入 arc-wise cross-entity modulation（弧级跨实体调制），使每个实体在嵌入读出前即可响应另一实体。其核心区别在于将关系交互提前到编码过程中，而非仅在两个独立实体嵌入生成后组合关系。摘要未说明弧的构造、几何输入形式、调制运算、损失函数及训练监督，这些实现条件尚未验证。 作者报告，在覆盖实体对、实体和场景层级 VSRL 任务的五个数据集上，相较各任务的次优方法，ArcX 在实体对任务上平均提升 10.8%，在实体层级邻域聚合上平均提升 4.4%，在场景层级信息传播上平均提升 16.5%。这些是摘要所述的百分比提升，不能解释为百分点；具体指标、数据集名称、划分方式、基线配置及跨任务平均方式尚未验证，亦不宜直接比较三类提升幅度。实验协议、消融及统计信息尚未验证。 摘要提供了代码与数据的匿名公开地址，但其内容、运行条件及与论文实验的一致性尚未核验。该工作的主要研究对象是空间实体的几何关系，而非 EEG 或 BCI；现有材料不足以确立具体迁移路径，因此不将上述结果解释为神经信号解码收益。相关 EEG 工作尚未检索确认。