ATRM：具有分层记忆的智能体增强时序知识图谱表示学习框架

基于摘要分析。该研究面向时序知识图谱（TKG）的事件预测，提出 ATRM，将使用工具的智能体、分层历史记忆与表示学习结合，以处理不同关系查询对历史事件的相关性差异，以及情境相关预测反馈难以迁移为监督信号的问题。 机制上，ATRM 将历史 TKG 按抽象程度递增组织为 interaction、configuration 和 regularity 三类记忆；通过冲突感知的工具使用机制，结合各候选关系的历史支持证据与表示模型评分，细化关系排序。训练侧采用 cross-snapshot LLM-guided process distillation：离线 LLM 从历史预测轨迹中选择 relation-confusion anchors，经后续图快照验证后，形成以情境为条件的排序约束，继续指导 TKG 表示学习。作者明确表示推理时无需调用 LLM，但摘要未说明其他工具调用的成本。 作者报告，在三个真实世界数据集上，相对各指标次优方法，MRR、Hits@1、Hits@3、Hits@10 的平均相对提升分别为 4.42%、7.26%、4.99% 和 1.19%；这些是相对提升，不是百分点变化。数据集名称、时间划分、基线、指标聚合方式、锚点验证与训练边界、消融及统计信息尚未验证，不能据摘要判断不同模块的独立贡献。 该研究的主要对象是图结构事件与关系排序，并非 EEG 或 BCI。其机制依赖历史图快照、候选关系及预测轨迹；现有材料未提供这些结构与神经信号任务的具体对应关系，因此不据此推断 BCI 有效性，也不提出直接迁移实验。已有 EEG 相关工作尚未检索确认。