D2R2：用于表格少样本学习的扩散表征与随机距离匹配

基于摘要分析。本文研究表格少样本分类中异质特征与标注稀缺共同造成的表征学习困难，提出 Diffusion-based Representation with Random Distance matching（D2R2），将扩散去噪表征、嵌入距离约束和原型分类结合，用于少样本下游任务；主要研究对象是表格数据，而非 EEG 或 BCI。 方法包含三个环节：利用扩散模型学习去噪过程中所需的语义信息；在训练中引入 random distance matching，以保留嵌入中的距离信息；在分类阶段采用 instance-wise iterative prototype scheme，以适应嵌入的多模态分布并提高聚类稳健性。摘要未说明随机距离的采样方式、匹配对象与损失形式，也未交代原型初始化、实例级更新规则或训练所需的监督与数据规模。 作者报告，D2R2 在多个表格少样本学习基准上有效，并声称达到该领域最先进表现；摘要未提供基准名称、少样本任务设置、数据划分、对照方法或具体指标，因而不能量化增益或判断各模块的独立贡献。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未验证。 平台推测（待验证）：一个可检验的迁移假设是，将预先提取的 EEG 特征组织为表格后，距离约束与多原型建模可能缓解少样本分类中的嵌入结构不稳定。可尝试复用表征学习和原型分类模块，但需针对 EEG 特征尺度、通道缺失及跨被试分布变化调整输入处理与距离定义。低信噪比可能使模型保留噪声距离，被试差异可能主导聚类，小数据也可能不足以支持扩散表征学习。小规模检验可固定 EEG 特征与 Cross-subject 划分，仅使用训练被试学习表征，比较完整 D2R2、去除距离匹配及替换为普通原型分类的版本，并在相同目标被试标注预算下评估。已有 EEG 相关工作尚未检索确认，此方案不代表已证实的 BCI 效果。