Re-Temp：面向时序知识图谱补全的关系感知时间表示学习

基于摘要分析。本文研究外推设置下的时序知识图谱补全（TKGC），即根据历史事实预测未来事实中缺失的实体。作者提出 Re-Temp，将显式时间嵌入与关系感知的跳跃信息流结合，旨在减少与查询无关的历史快照对预测的干扰。 核心机制：作者指出，既有方法多使用序列式图神经网络编码近期快照中的实体和关系，可能忽略查询所涉及关系对历史信息相关性的影响，也未充分利用显式时间信息。Re-Temp 以显式时间嵌入作为输入，并在每个时间戳后引入跳跃信息流，以跳过不必要的信息；另采用两阶段前向传播，作者称其用于防止信息泄漏。具体筛选规则、时间编码、传播步骤、损失及训练方式尚未验证，不能仅凭摘要判断其是否充分控制了泄漏风险。 作者报告，在六个 TKGC 外推数据集上，Re-Temp 优于八个近期先进模型。摘要未列出数据集名称、指标、数值、时间划分及对照配置，因而尚不能核对提升幅度或统计显著性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，按查询关系选择历史信息、同时保留显式时间表示，可能帮助处理部分时段与目标无关的 EEG 序列。但原方法依赖实体—关系事实与离散时间快照，并非直接面向连续、低信噪比的 EEG；若用于 EEG，需重新定义图节点、关系、查询及时间窗口。可复用候选是时间表示和历史筛选机制，知识图谱实体预测部分则需改造。关系构造不稳定、通道差异、跨被试变化及小数据可能使筛选失效。可在固定跨被试划分下，比较相同主干有无关系感知筛选的任务表现，并保持时间窗口与训练预算一致，以检验该假设。已有 EEG 相关工作尚未检索确认。