SANe：用于时序知识图谱补全的空间适应网络

基于摘要分析。本文研究时序知识图谱补全（TKGC），目标是在预测缺失事实时，同时建模随时间变化的关系与长期稳定的知识。作者提出 Space Adaptation Network（SANe），将不同时间戳的事实映射到不同潜在空间，并通过时间相关参数生成与知识共享协调这两类性质。 核心机制是 Parameter Generation Network：为各时间快照生成相应网络参数，由动态卷积神经网络处理实体和关系，使各快照的补全可按静态知识图谱补全（KGC）建模。时间感知参数生成器按年、月、日分层生成参数，在同年或同月的相邻快照之间共享长期知识，同时用特定参数保留日级短期知识。作者还将潜在空间重叠约束列为平衡时间变化性与稳定性的机制，但摘要未给出约束形式、损失定义及训练细节。 针对事实集中于少数时间区间、导致部分时间参数利用不足的问题，作者提出结合 partition tree 的 Adaptive Parameter Generation，以改善参数负载均衡并维持时间稳定性。具体划分规则、参数共享方式及计算开销尚未验证。 作者报告在五个基准数据集上的实验优于既有 TKGC 方法，并称达到 state-of-the-art；摘要未提供数据集名称、划分协议、对照方法、指标或数值，因此无法量化优势，也不能判断不同评估协议下的可比性。实验协议、消融及统计信息尚未验证，复现所需的实现、超参数与代码可用性亦待核对。 本文的主要研究对象是带时间戳的实体关系事实，而非 EEG 或 BCI 信号。现有材料未建立其知识图谱机制与神经信号解码之间的具体对应关系，因此不据此推断 BCI 有效性；已有 EEG 相关应用尚未检索确认。