FUSE：用于分类体系扩展的测度论紧凑模糊集表示

基于摘要分析。本文研究 Taxonomy Expansion（分类体系扩展）中的概念及概念关系建模，将其表述为集合表示学习问题，提出 FUSE（Fuzzy Set Embedding），以模糊集的体积近似构造紧凑表示，旨在兼顾集合运算的一致性、信息保留与学习效率。 核心机制是利用模糊集表达语义概念中的不确定性。作者指出，既有向量或盒状几何表示通常不对集合运算封闭；相较之下，作者声称 FUSE 支持所有集合运算，并以较精简的神经网络结构紧凑近似底层模糊集。摘要未给出体积近似的计算方式、集合运算的具体实现、损失函数或训练监督，因此这些性质的数学条件与实现成本尚未验证。 作者报告，在 Taxonomy Expansion 任务中，相对既有基线的提升最高达 23%；但摘要未说明对应指标、数据集、划分、基线及该数值的计算口径，不能将其解释为 Accuracy 提升或百分点变化。实验协议、消融及统计信息尚未验证。 该研究的主要对象是语义概念与分类体系，而非 EEG 信号或 BCI 解码。现有材料未建立其模糊集表示与具体 EEG 瓶颈的对应关系，因此不据此提出 BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。复现评估首先需要取得正文，核对表示的封闭性条件、近似误差、计算开销及任务评估协议。