本研究提出MuCIL方法，解决了增量学习中概念基础模型对概念与类别关系的保留问题。实验结果表明，该方法在分类性能上优于其他模型，并具备良好的可解释性。

本文探讨了意向性继承的形式化与量化，提出了一种信息论方法，通过分析属性集及其相互作用，推导出相关公式，揭示传统集合论的特殊性。研究表明，意向性继承能更准确地描述概念间的信息传递关系，帮助理解概念的内在联系。