噪声驱动的多模态知识图谱表示学习框架

基于摘要分析。本文研究多模态知识图谱（MMKG）的实体表示学习，提出 SNAG，以基于 Transformer 的架构和模态级噪声掩码整合实体的多模态特征，并面向 Multi-modal Knowledge Graph Completion（MKGC，多模态知识图谱补全）与 Multi-modal Entity Alignment（MMEA，多模态实体对齐）设置相应训练目标。 核心机制是将噪声引入模态级掩码过程，以支持多模态实体特征的稳健融合。摘要未披露噪声分布、掩码策略、特征编码方式及具体损失形式，因此尚不能判断两项任务如何共享表示、训练目标如何组合，以及性能提升主要来自何种设计。 作者报告，SNAG 在两项任务合计十个数据集上达到 SOTA，并可作为独立模型或增强现有方法的模块，带来稳定性能提升。摘要未提供数据集名称、划分协议、指标数值及对照基线，不能据此量化提升幅度，也不能将其视为已经验证了多模态 Large Language Models 的幻觉缓解效果；后者是论文提出的应用动机，而非摘要明确报告的评估结果。 作者提供了代码与数据地址，但运行环境、预处理、训练配置、消融及统计信息尚未验证。研究对象是知识图谱实体，而非 EEG 或 BCI 解码；摘要不构成相关神经信号任务有效性的证据，已有 EEG 相关工作尚未检索确认。