CONTROL：用于开放世界半监督学习的对比学习框架

基于摘要分析。该研究面向开放世界半监督图像分类：未标注数据包含标注集中未出现的类别，模型需要同时区分已见与未见类别。CONTROL 将最近邻对比学习、监督对比学习和无监督对比学习结合，旨在改善未见类别分类并降低表征坍塌风险。 机制与贡献：作者称，从理论上证明了特征层面的对比学习优化有利于未见类别分类，并指出对比学习中的均匀性机制有助于防止表征坍塌。作者还将 CONTROL 定位为可兼容多种现有开放世界半监督算法的统一框架。摘要未给出三类目标的具体定义、权重、最近邻构建方式及理论成立条件，这些内容尚未验证。 结果与证据边界：作者报告，在 CIFAR 和 ImageNet 数据集上的实验中，CONTROL 相较既有方法改善了未见类别分类与全部类别分类。摘要未提供具体数据集版本、已见与未见类别划分、标注比例、评价指标或数值，因此无法核对提升幅度及不同协议下的可比性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应 EEG 半监督识别中“未标注样本含未知任务类别”的问题，但原研究对象是图像，尚未检索确认相关 EEG 工作。迁移假设依赖于 EEG 表征的邻域能够反映任务类别，而非主要反映被试、会话或伪迹。可复用部分是三类对比学习目标的组合思路；需改造 EEG 编码器、信号增强方式及邻域构建策略。低信噪比、跨被试差异、通道配置变化与小样本可能使最近邻关系失真，均匀性约束也未必保留任务相关结构。一个可证伪的小实验是在固定被试内划分中，将部分类别仅放入未标注训练集，对比同一半监督基线加入 CONTROL 前后的已见与未见类别表现，并逐项移除三类目标；测试标签仅用于评估。该方案是迁移验证建议，不是论文已报告的 EEG 结果。