ReasAtlas：以共享阐述体系表征数学知识

基于摘要分析。该研究面向异构来源的数学知识组织与检索，提出 ReasAtlas，将定义、定理和算法纳入共享的层级阐述体系，并利用该体系训练数学陈述的检索表征。其主要研究对象是数学知识，而非 EEG 或 BCI。 在知识组织方面，ReasAtlas 对齐各来源内部的阐述结构，检索共享组织中的相关区域，再结合来源上下文放置新陈述并修订结构。同一陈述可整合多个来源的不同表述，同时在结构修订中保留来源特有内容及出处。层级为每条陈述提供主要组织语境，额外关系和跨主题链接则表达层级之外的数学联系。 在表征学习方面，作者提出 information-calibrated margin cross-entropy（IC-MCE），利用共享祖先关系强化训练时对数学近邻陈述的区分；推理阶段，编码器仅接收陈述文本。这使组织结构能够作为训练信号，而不必作为编码器推理时的输入。摘要未给出损失的具体数学形式，不能进一步判断其校准方式、间隔设置或采样策略。 作者描述的评估涵盖数学知识定位、检索表征学习及主题组织的数学一致性，但摘要未提供数据集、数据划分、对照基线、数值结果或统计信息，因此尚不能确认相较既有方法的收益；实验协议、消融及复现条件尚未验证。 该方法依赖可对齐的来源语境及共享知识层级，摘要未建立这些条件与 EEG 信号表征之间的具体对应关系，因而不据此提出 BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。