DySarl：面向多模态知识图谱推理的动态结构感知表征学习

基于摘要分析。本文研究多模态知识图谱（MKG）推理，提出 DySarl，以捕捉推理路径之外的实体结构交互，并使文本、图像等模态特征的作用随待推理事实动态变化；其主要研究对象不是 EEG 或 BCI。 方法包含两个核心模块。双空间多跳结构学习模块通过消息传递聚合实体的多跳结构特征，结合欧氏空间与双曲空间的消息传递方式，以保留有限查询路径之外的邻域信息。交互式对称注意力模块则结合对称注意力组件与事实特定门控注意力单元，学习单模态注意力发送方与多模态注意力目标对决策事实的动态影响，将模态交互与后续推理过程关联起来。作者将这两点分别用于回应路径式结构学习覆盖不足、静态模态交互难以适应不同推理事实的问题。 作者报告，在两个公开 MKG 数据集上，DySarl 相比最先进基线取得显著的推理性能提升；摘要未提供数据集名称、划分、具体指标、增益幅度或统计检验细节，因此无法判断提升规模及其适用条件。摘要提供了源码地址，但实现完整性、运行依赖、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若研究任务本身具有实体—关系图结构，并联合 EEG 表征与文本或图像信息，事实特定门控可作为任务条件化模态融合的候选机制，双空间消息传递可用于检验图邻域信息的贡献。该假设依赖可靠的图构建与推理监督，不能直接外推到常规 EEG 分类。迁移时需改造 EEG 特征编码、节点与关系定义；低信噪比、跨被试分布差异、通道变化及小数据可能使图关系和门控权重不稳定。一个小规模可证伪实验是在固定编码器与被试隔离划分下，对比静态融合与事实特定门控，检验后者是否稳定改善预先指定的任务指标。相关 EEG 工作尚未检索确认。