学习筛选所生成的样本以实现可泛化少样本类别增量学习

基于摘要分析。该研究关注少样本类别增量学习（FSCIL）中基阶段与增量阶段数据均稀缺的问题，提出 Generalizable FSCIL（G-FSCIL）设定，其中基阶段本身仅包含少数类别。方法以合成样本筛选与边界稳定适应为核心，旨在缓解初始表征薄弱、语义漂移及新旧类别边界冲突。 机制上，框架使用冻结的 latent diffusion model 构建类别特定的合成候选池：首次观察某类别时执行 class inversion，随后复用所得条件嵌入按需生成样本。筛选过程兼顾语义一致性与视觉多样性，并在基阶段被蒸馏为可迁移的选择策略；该策略在后续阶段复用，无需进一步优化。利用筛选后的合成数据，方法进一步结合合成信息辅助的原型初始化与双向边界校准。相较于直接混入生成样本，其重点是控制合成语义噪声及新旧类别冲突，而非仅扩大训练数据量。 作者报告，在其 G-FSCIL 实验设定下，该方法持续优于既有 FSCIL 基线，并减少遗忘、改善新旧类别表现的平衡。摘要未提供数据集、类别划分、每类样本数、具体基线或指标数值，无法量化增益或判断不同协议间的可比性。筛选目标、蒸馏损失、边界校准实现、实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码完整性、生成模型依赖及复现成本尚未核验。 平台推测（待验证）：若 EEG 任务存在类别逐步增加且标注稀缺的情形，合成样本筛选与原型边界校准可能具有借鉴价值，但视觉领域有效不等于 BCI 有效。迁移假设依赖能够生成保留类别信息的 EEG 候选样本；生成器、条件反演及一致性与多样性判据均需改造。低信噪比、跨被试差异、通道配置变化及小数据可能使筛选器偏向伪特征。可在固定被试内类别增量划分下，对比不使用合成数据、随机选择合成数据与学习筛选三种条件，分别检查新旧类别表现及遗忘，以检验筛选是否带来独立收益。相关 EEG 工作尚未检索确认。