基于模型再平衡的长尾识别

基于摘要分析。本文研究类别分布偏斜导致尾部类别泛化不足的问题，涉及常规深度学习及基础模型下游微调。作者提出 Model Rebalancing（MORE），通过直接调整模型参数空间的分配来缓解长尾不平衡，而非仅依赖数据增强、损失再平衡或解耦训练。 机制上，MORE 引入低秩参数组件，以定制损失和正弦重加权调度引导参数空间分配。摘要未给出低秩组件的具体参数化方式、插入位置、损失公式及调度细节，因此尚不能判断其与既有低秩适配方法的具体区别。作者报告，该设计不增加整体模型复杂度或推理成本；相关参数量、训练开销与推理开销的核算条件仍需核对。 作者报告，在覆盖多分类和多标签任务的多种长尾基准上，MORE 改善了泛化表现，尤其有利于尾部类别，并可与既有不平衡缓解方法互补。摘要未列出数据集名称、类别不平衡程度、划分、对照方法或指标数值，无法据此量化收益或比较不同协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类任务存在明显类别长尾，参数空间再平衡可能提供不同于重采样或类别加权的干预路径。该假设依赖可训练的参数化模型及类别监督，需改造低秩组件的接入位置，并检验调度是否适配 EEG 小数据训练。低信噪比、跨被试差异与通道变化可能使类别不平衡以外的因素主导误差，低秩调整也可能拟合少量尾部样本的噪声。一个可证伪的小实验是在固定跨被试划分、训练集类别比例和骨干模型下，对照原模型、类别加权及 MORE，比较 Balanced Accuracy 与逐类别召回率，并单独核算参数量和推理开销。上述为迁移假设，不是已验证的 EEG/BCI 结果；已有 EEG 相关工作尚未检索确认。