Re-Temp：用于时序知识图谱补全的关系感知时序表征学习

基于摘要分析。本文研究外推设定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的缺失实体，提出关系感知时序表征学习模型 Re-Temp，以显式时间嵌入和跳跃信息流改善历史信息的利用。 作者指出，已有方法多通过序列式图神经网络编码近期图快照中的实体与关系，但可能未充分根据查询中与实体相关的关系跳过无关快照，也未充分利用显式时间信息。Re-Temp 将显式时间嵌入作为输入，并在每个时间戳之后引入跳跃信息流，以跳过对预测不必要的信息。此外，作者提出两阶段前向传播方法，旨在防止信息泄漏；具体传播顺序、信息可见范围及其实现尚未验证。 作者报告，在六个采用外推设定的 TKGC 数据集上，Re-Temp 优于八个近期先进模型，并称优势显著。摘要未提供数据集名称、评价指标、具体分数、划分规则或统计检验信息，因此无法量化提升，也不能将该表述等同于已确认的统计显著性。实验协议、消融及统计信息尚未验证。 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。其关系条件化历史筛选依赖图结构与查询关系，不能直接等同于神经信号中的时序片段选择；现有材料不足以支持具体的 EEG 迁移结论或复现实验建议。