从类别层级学习基于状态的节点表示，用于细粒度开放集检测

基于摘要分析。本文研究细粒度开放集检测（Fine-Grained Openset Detection，FGOD）：未知类别与已知类别高度相似时，如何利用已知类别之间的层级关系改善区分能力。作者提出基于状态的节点表示，依据完整类别层级构造状态空间，而非仅在各节点建立局部检测器并自顶向下执行检测。 核心机制是利用层级依赖表达类别间的细微差异，以辅助识别可能与已知类别共享父节点的未知类别。作者指出，逐节点局部检测可能表现不佳；其理论分析还认为，直接最大化通向真实叶节点的路径概率会导致次优训练。作者声称，所提出的状态表示能够保证最大化通向真实叶节点的路径概率。上述“直接优化的次优性”与“新表示的路径概率保证”分别依赖何种目标、约束和假设，需要正文核对，不能仅凭摘要将其等同为全局检测最优性。 作者报告，在多个真实世界层级数据集上的广泛实验中，所提方法表现优于对照，但摘要未给出数据集名称、开放集划分、基线、指标或具体数值；实验协议、消融及统计信息尚未验证。复现还需确认层级如何获得、节点状态如何编码、训练目标以及开放集判定规则。 本文的主要对象是具有类别层级结构的开放集检测，摘要中的“状态空间”不应直接理解为处理 EEG 时间序列的 State Space Model。材料未提供神经信号实验或明确的 BCI 对应机制，因此不据此推断跨被试、跨会话或未知脑状态识别效果；已有 EEG 相关工作尚未检索确认。