几何先验引导的长尾分类特征表示学习

基于摘要分析。该研究针对通用长尾分类中尾部类别样本不足、观测分布难以代表真实分布的问题，提出利用样本充足的头部类别特征分布几何信息，引导尾部类别的特征表示学习。核心贡献是以几何先验驱动 feature uncertainty representation，通过扰动尾部特征扩大其分布覆盖范围，而非仅依赖类别重平衡。 方法上，作者先定义特征分布的几何及几何间相似性度量，并报告发现不同特征分布几何关系的四种现象；随后据此利用头部类别几何信息生成尾部特征扰动，目标是尽可能覆盖尾部类别的潜在分布，并设计三阶段训练方案支持特征不确定性建模。摘要未给出四种现象的具体内容、几何定义、扰动形式、损失函数及各训练阶段的操作，相关机制仍需全文核对。 作者报告，在 CIFAR-10/100-LT、ImageNet-LT 和 iNaturalist2018 的长尾分类实验中，该方法在多数指标上优于同类方法；摘要未提供具体指标数值、数据划分、长尾设置及对照方法，因此无法判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前可用状态未验证。 平台推测（待验证）：迁移假设是，当 EEG 分类具有明确的类别不平衡，且头部与尾部类别的特征几何存在可共享结构时，几何引导的特征扰动可能为尾部类别提供额外训练支持。可考虑复用几何估计与特征扰动机制，但需适配 EEG 编码器，并限制先验估计所使用的训练数据。主要风险是低信噪比、被试差异、通道配置差异及尾部小样本使几何估计不稳定，头部类别的变化方向也可能不适用于尾部类别。可在固定 Cross-subject 划分下，仅对训练集构造类别不平衡，将几何引导扰动与不扰动、普通特征扰动及类别重平衡对照，比较 Balanced Accuracy 和尾部类别召回率，以检验几何先验是否带来独立增益。已有 EEG 相关工作尚未检索确认。