Omni TM-AE：利用完整 Tsetlin Machine 状态空间的可扩展、可解释嵌入模型

基于摘要分析。该研究主要面向 NLP 嵌入模型的可解释性与复用问题，提出 Omni Tsetlin Machine AutoEncoder（Omni TM-AE），利用 TM 的完整状态矩阵构建嵌入，试图兼顾性能、可扩展性和可解释性。 核心机制是将此前未参与子句构建的文字项（literals）也纳入状态信息利用范围，而不是只依赖已形成的子句。作者称，该方法通过单次训练即可生成可复用、可解释的嵌入。摘要未说明状态矩阵到嵌入的具体映射、训练目标、输入编码及下游推理方式，因此不能仅凭 AutoEncoder 名称推定其网络结构或重构损失。 作者报告，在语义相似度、情感分类和文档聚类任务中，Omni TM-AE 与主流嵌入模型具有竞争力，并经常优于它们。摘要提及 Word2Vec 和 GloVe 作为背景模型，但未明确各项实验的实际对照、数据集、划分与指标；性能提升幅度、扩展性测试、解释性验证、消融及统计信息尚未验证。 平台推测（待验证）：完整状态信息形成可复用表征的思路，可能为 EEG 离散特征的可解释建模提供候选机制，但原研究对象是语言数据，不是神经信号。若迁移，需要先将 EEG 特征编码为适合 TM 的输入，并核对子句及文字项能否对应稳定的生理或信号特征；低信噪比、跨被试差异、通道变化及小样本可能使离散编码和状态表征不稳定。可检验的小实验是：在固定输入编码、被试划分和下游分类器条件下，对比完整状态嵌入与仅利用子句相关信息的表征，检验额外状态信息是否带来稳定收益。已有 EEG 相关工作尚未检索确认。