层次模糊回归树：一种用于构建 TSK 模糊模型的新型梯度提升方法

基于摘要分析。本文面向通用回归任务，提出以模糊回归树（FRT）为基学习器、通过梯度提升构建的层次模糊回归树（HFRT），用于设计 TSK 模糊模型。其主要贡献是将规则空间的监督划分、后件参数估计与树模型集成结合起来，而非提出 EEG 或 BCI 专用算法。 机制上，FRT 从完整规则空间初始化，每轮通过作者称为 guaranteed membership division 的方法，将规则空间有监督地划分为更小的子空间；后件参数采用模糊加权、带正则化的 L2 最小二乘法优化。每轮保留对应最小 MSE 的 FRT，作为下一轮划分的初始模型，直至达到最大划分轮数，再通过梯度提升训练后续 FRT，形成 HFRT。具体隶属度定义、划分准则、MSE 的计算数据范围及提升过程的实现细节尚未验证。 作者报告，在28个数据集上进行了消融实验及与先进算法的比较，结果支持 HFRT 的有效性；作者同时主张该方法兼顾预测精度与较低计算复杂度，适合高维问题。摘要未提供数据集名称、样本规模、划分协议、对照方法、具体指标数值或运行成本，因而这些主张的适用范围及统计可靠性仍需核对全文。 平台推测（待验证）：若将 EEG 表示为固定维度特征并提供连续目标标签，HFRT 的规则划分与正则化后件拟合可作为回归基线候选，但原领域有效不等于 BCI 有效。可复用的是回归与集成框架；需改造的是 EEG 特征构建及被试、会话分组评估。低信噪比、通道差异和小样本可能导致划分不稳定或规则过拟合。一个可检验的小实验是在同一 EEG 回归任务中，固定特征及跨被试划分，比较单棵 FRT、HFRT 与常规梯度提升的 MSE、模型规模和推理耗时。已有 EEG 相关工作尚未检索确认，代码与完整复现条件亦尚未验证。