面向少样本分布外检测的提示优化与子空间表示学习

基于摘要分析。本文研究视觉语言模型（VLMs）的少样本分布外（OOD）检测：在仅有少量分布内（ID）样本时，如何利用预训练视觉特征的几何结构，提高 ID 与 OOD 输入的可分性。作者提出 geometry-aware context optimization framework，将子空间表示学习与提示调优结合，而非仅依赖提示学习后的 softmax 输出。 核心机制是将 ID 相关特征投影到提示向量张成的子空间，同时通过正交零空间投影处理 ID 无关成分，以增强提示向量的判别能力。作者进一步设计几何正则化学习准则，使该框架能够端到端训练，并兼顾 OOD 检测与 ID 分类。摘要称该框架可结合多种现有 context optimization 方法，补充其 softmax-based OOD 检测器；具体损失形式、特征分解方式和测试时评分规则尚未验证。 作者报告在多个真实世界数据集上的实验支持该方法的有效性，但摘要未列出数据集、少样本数量、ID/OOD 划分、对照方法或数值指标，因此尚不能判断收益大小与适用边界。实验协议、消融及统计信息尚未验证；复现还需核对所用 VLM、提示参数化方式、几何正则项及实现是否公开。 平台推测（待验证）：其可迁移线索是利用已知类别所张成的子空间及其正交补，辅助识别未知输入，而非已证实的 EEG/BCI 效果。迁移假设依赖于 EEG 编码器产生具有稳定类别几何结构的特征；可考虑复用投影与几何约束思想，但提示向量需改造为适配 EEG 的类别表示，检测评分也需重新验证。低信噪比、跨被试差异、通道变化及小样本估计误差都可能使子空间捕获非任务因素。一个可检验的小实验是在固定 EEG 编码器和相同少样本划分下，将部分任务类别留作 OOD，对比仅用 softmax 与加入子空间机制的检测和 ID 分类表现，并单独检查跨被试条件。相关 EEG 工作尚未检索确认。