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。本文研究 NLP 嵌入模型在可扩展性、可复用性与可解释性之间的权衡，提出 Omni Tsetlin Machine Autoencoder（Omni TM-AE），利用完整 TM 状态矩阵构建嵌入，并通过 Tsetlin State-Space Explorer（TSSE）追溯表示的学习依据。 核心机制是保留并利用 TM 状态矩阵中的信息，包括此前未被纳入子句构造的 literals（文字项），而不只依赖已形成的子句。作者称该方法经过单次训练即可生成可复用、可解释的嵌入。TSSE 是交互式解释工具，用于分析子句级状态分布、跟踪训练期间文字项状态的变化，并把学习到的表示与子句、反馈事件及支持性的训练证据关联起来。这里的“状态空间”指 TM 内部状态，并不能据此将其视为面向连续时间序列的状态空间模型。 作者报告，在语义相似度、情感分类、词类比、文档聚类及定量可解释性评估中，Omni TM-AE 与主流嵌入模型具有竞争力，同时提供词汇级可追溯性。摘要未给出具体数据集、数据划分、基线配置、指标数值或规模开销；实验协议、消融及统计信息尚未验证。嵌入提取方式、训练目标以及被排除文字项带来的独立增益，也需查阅全文核对。 平台推测（待验证）：其潜在 EEG 对应点是特征表示的可追溯性，而非已验证的 BCI 解码性能。假设能把 EEG 特征稳定编码为 TM 所需的文字项，可尝试复用完整状态信息与子句追踪工具；但词汇输入需改造成信号特征编码，训练监督和样本规模要求尚不清楚。低信噪比、通道变化与跨被试差异可能使离散化不稳定，小数据也可能使解释依赖偶然模式。一个可检验的小实验是在固定 EEG 数据划分与同一分类器下，对比完整状态嵌入和仅使用子句相关信息的表示，同时检验解码指标与解释稳定性。已有 EEG 相关工作尚未检索确认。