TaxoScale：用于双曲分类体系表征学习的概念条件化几何缩放

基于摘要分析。该研究面向分类体系表征学习，针对单一全局距离与径向深度解释难以适配不同概念局部几何环境的问题，提出 TaxoScale：在同一个 Poincaré 空间中使用概念条件化几何缩放，不移动底层坐标，而是校准面向任务的径向深度与成对相异度。 机制上，共享预测器以概念坐标、径向深度及训练阶段可见的邻居距离统计量为输入，输出正尺度。其核心区别是让几何量的任务解释随概念变化，而非仅使用无缩放表征或统一的可学习全局尺度。摘要未给出尺度融合公式、损失函数及预测器结构。 作者报告，在十个分类体系、三个随机种子的统一评估中，与涵盖序关系、双曲、盒式本体及近期层级编码器的十三种外部基线配置比较，TaxoScale 在四种报告设置下均取得最高聚合平均 F1。以分类体系为单位的配对 bootstrap 区间支持其在两种困难负样本设置下相对官方代码 HiT 的平均差异为正，但随机负样本设置的区间跨零，不能据此认定所有设置均有稳定优势。 作者报告，匹配对照显示局部缩放优于无缩放和可学习全局尺度，独立重调间隔参数后收益仍存在，联合校准径向深度与成对相异度也有益。在 WordNetNoun 与 DOID.diseases 的候选池压力测试中，候选数量由 11 增至 1001 时，相对 HiT 的排序差距扩大；摘要未提供差距的具体数值。作者还报告了曲率、未见锚点、输入及效率等诊断，但其详细结果、数据划分、消融与统计信息尚未验证。 该方法的已述对象是具有层级关系和邻居结构的分类体系，并非 EEG 信号。其对 EEG/BCI 的具体机制对应关系尚不明确，已有 EEG 相关工作尚未检索确认，因此不据此推断神经信号解码收益或提出迁移实验。