Query2GMM：利用高斯混合模型学习知识图谱推理表示

基于摘要分析。本文研究知识图谱（KGs）上的逻辑查询回答，提出 Query2GMM，将查询与实体嵌入同一表示空间，并用单变量高斯混合模型（GMM）表示查询，以刻画多跳组合查询中可能相互分离的多个答案子集。 核心机制是以答案子集的基数、语义中心和离散程度描述其分布。作者认为，既有多模态分布方法可能无法准确刻画各子集的基数，或因相似性度量不足而在推理过程中退化为单模态分布学习。这里的“多模态”指分布具有多个模态，而非多种传感器或数据模态。Query2GMM 为不同逻辑算子设计专门的神经网络，以处理多模态分布的运算复杂性并缓解级联误差；同时引入新的实体—查询相似性度量，评估实体与查询所包含多个答案子集的关系。具体网络结构、算子实现、损失函数及相似性公式尚未验证。 作者报告，在其知识图谱逻辑查询实验中，相对最佳竞争方法取得平均绝对提升，原文数值为 6.35%。摘要未说明对应指标、数据集、查询类型、数据划分及平均方式，因此目前无法将该数值解释为 Accuracy 提升，也不宜与其他评估协议直接比较。实验协议、消融及统计信息尚未验证，代码与复现条件亦需查阅全文确认。 该工作的主要对象是知识图谱逻辑推理，而非神经信号解码。当前材料未建立其分布表示与 EEG/BCI 任务之间的具体机制对应，不能将上述结果视为 BCI 效果证据；已有 EEG 相关工作尚未检索确认。