融合软标签信息与知识蒸馏的基于 CNN 的 Born-Again TSK 模糊分类器

基于摘要分析。本文研究如何将 CNN 的软标签知识迁移到兼顾分类性能与可解释性的 Takagi–Sugeno–Kang（TSK）模糊分类器，提出 CNNBaTSK。其核心贡献是用软标签构建具有语言解释的模糊规则前件，并通过非迭代知识蒸馏方法学习规则后件参数。 机制方面，CNNBaTSK 使用 least learning machine with knowledge distillation（LLM-KD）求解模糊规则的后件参数，训练目标联合考虑真实标签损失、知识蒸馏损失与正则项；具体损失形式和求解细节尚未验证。CNN 提供的暗知识，即软标签信息，被划分为五个固定的前件模糊空间，中心分别为 0、0.25、0.5、0.75、1，对应“很低、低、中等、高、很高”的语言解释。规则后件使用原始特征学习参数，作者据此强调其在原始特征空间中的直接可解释性。摘要未说明原始特征的构造方式，也未给出 CNN 的训练与蒸馏流程细节。 作者报告，在基准数据集及 CHB-MIT EEG 数据集上的实验表明，CNNBaTSK 能同时改善分类性能与模型可解释性。但摘要未提供具体任务定义、指标、数值、对照基线或数据划分，因此尚不能判断改善幅度，也不能确认其适用于被试内、跨被试或跨会话中的哪一种协议。该 EEG 实验不能直接视为 BCI 在线控制能力的验证。 复现时需要核对软标签的生成方式、模糊规则构建与后件求解过程、原始 EEG 特征及预处理，以及可解释性的评估依据。实验协议、消融及统计信息尚未验证；全文与代码可用性也尚未验证。