结构即全部所需：超关系知识图谱上的结构表征学习

基于摘要分析。本文研究超关系知识图谱（HKG）的结构表征学习，提出 MAYPL，通过结构驱动的表示初始化与注意力神经消息传递完成链路预测，并支持对新实体和新关系的归纳推理。研究对象是知识图谱补全，并非 EEG 信号解码或 BCI。 HKG 在实体—关系—实体三元组之外，以限定符集合补充事实的辅助信息。MAYPL 根据 HKG 结构学习表示向量的初始化，再通过事实级消息计算，以及以实体为中心、以关系为中心的聚合生成表示。其核心主张是仅利用结构即可获得有效表征；具体初始化形式、注意力计算、损失函数及训练与推理流程尚未验证。 作者报告，在 10 个数据集上，MAYPL 相较所比较的 40 种知识图谱补全方法取得更优表现。摘要同时说明，不同数据集采用不同基线进行多角度评估，因此不能将该结论理解为全部方法均在每个数据集、同一协议下接受比较。数据集名称、具体指标、划分方式，以及新实体与新关系归纳设置的细节未在摘要中提供；实验协议、消融及统计信息尚未验证。 该方法依赖具有关系类型和限定符的图结构，不能直接等同于对连续 EEG 时序的表征学习。材料未提供其与 EEG/BCI 瓶颈之间的具体机制对应，因而不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。