面向无样本保留类别增量学习的前瞻性表征学习

基于摘要分析。本文研究无样本保留类别增量学习（Non-exemplar Class-Incremental Learning，NECIL）：在不保留旧类别样本的条件下，同时识别旧类与新类。作者提出 Prospective Representation Learning（PRL），将应对类别冲突的部分工作提前到基础阶段，通过为未来类别预留表征空间，减轻后续增量学习对旧类的影响。 机制上，PRL 在基础阶段压缩当前类别的嵌入分布，为未来类别保留空间；在增量阶段，使新类特征在潜在空间中远离已保存的旧类原型，并在模型更新时将当前嵌入空间与该潜在空间对齐，以促使新类特征聚集到预留区域。其关键区别是提前规划表征空间，而非仅在新任务到来后处理新旧类别冲突。不保存旧样本不等于不保存旧类信息，摘要明确提及保留旧类原型，但未说明其构造与更新方式。 作者报告，PRL 可即插即用地增强现有 NECIL 基线，并在多个基准上优于现有最先进方法。摘要未提供基准名称、类别划分、增量阶段安排、对照方法或具体指标，因此无法判断收益大小及其适用范围；损失形式、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 分类系统需要持续增加任务类别，且不能保留旧样本，预留嵌入空间与原型约束可能具有方法借鉴价值，但原领域结果不等于 BCI 有效性。可复用的是空间预留和原型排斥机制，需改造 EEG 编码器及原型估计方式；低信噪比、跨被试漂移、通道变化和小数据可能使旧类原型失真，过度压缩也可能损害类别可分性。一个可检验的小实验是在固定被试与会话、按类别逐步加入的 EEG 协议中，对比同一 NECIL 基线加入 PRL 前后的新旧类 Accuracy，并分别移除空间预留与对齐机制，检验收益来源。已有 EEG 相关工作尚未检索确认。