属性构成的类别专属概念空间：提升语言瓶颈模型的可解释性与可扩展性

基于摘要分析。本文研究可解释图像识别，提出 Attribute-formed Language Bottleneck Model（ALBM），以属性构成的类别专属概念空间替代将全部文本概念并列放置的语言瓶颈，旨在缓解伪线索推断并支持向未见类别泛化。 核心机制是将概念组织为“特定类别的特定属性描述”：各类别使用自身的关键概念进行分类，同时通过跨类别统一的属性集合建立概念空间之间的关联。作者认为，这种组织方式能减少无关概念驱动的推断，并使学得的概念分类器迁移到未见类别。Visual Attribute Prompt Learning（VAPL）用于提取细粒度属性视觉特征；Description, Summary, and Supplement（DSS）策略用于自动生成概念集合，以降低人工概念标注成本。摘要未说明具体损失、提示参数化方式及概念生成与筛选流程。 作者报告，在 9 个常用少样本基准上的实验支持该方法的可解释性、迁移能力与性能，但摘要未提供基准名称、样本配置、类别划分、对照方法或具体指标，无法据此量化提升。实验协议、消融及统计信息尚未验证。材料提供了代码与所收集概念集合的仓库地址，实际复现仍需核对实现、概念生成依赖和评估配置。 平台推测（待验证）：其可借鉴之处是以共享属性约束类别专属概念，而非直接提供 EEG 编码方法。迁移假设依赖于 EEG 任务中存在可稳定观测、可用文本描述且跨类别共享的属性；需改造视觉特征提取和 VAPL，并验证文本概念与 EEG 的对齐。低信噪比、跨被试差异、通道变化和小数据可能使概念预测不稳定，或让文字解释与实际判别依据脱节。可在固定 EEG 编码器和相同数据划分下，对比平铺概念瓶颈与属性组织瓶颈，检验分类表现及概念干预的一致性。已有相关 EEG 工作尚未检索确认。