用于少样本类别增量学习的基于协方差的空间正则化

基于摘要分析。本文研究少样本类别增量学习（FSCIL）：模型需要用有限标注样本持续学习新类别，同时保留基类知识。作者提出协方差约束损失与特征空间扰动，旨在缓解新类别过拟合、基类灾难性遗忘，以及新旧类别和新类别之间的特征空间分隔不清问题。 核心机制是从协方差角度约束各类别分布的覆盖范围，通过损失促使各类别具有相同的协方差矩阵；同时扰动少样本训练数据的特征，使其远离其他类别的加权分布，并将扰动样本作为新类别数据训练分类器，以建立更明确的新旧类别边界。相比摘要所述的原型方法，这一方案将约束重点扩展到类别分布的协方差结构与边界塑造。具体损失形式、协方差估计方式、类别权重及扰动幅度尚未验证。 作者报告该方法可集成到已有 FSCIL 方法，并在三个基准上取得其所称的最先进性能。摘要未提供基准名称、增量会话划分、每类样本数、指标数值或对照方法，因此不能量化增益或比较不同协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务确实涉及新增类别且标注稀缺，其类别边界约束可能具有可复用价值，但 FSCIL 不等同于跨被试或跨会话域适应。可尝试保留协方差损失和特征扰动模块，改造 EEG 特征提取与协方差估计；低信噪比、通道差异及少样本估计不稳定可能使共享协方差约束抹平真实类别差异。一个可检验的小实验是在固定被试与通道条件下设置运动想象类别增量协议，对同一基线分别加入两种模块及其组合，比较新类识别与旧类保持表现。已有 EEG 相关工作尚未检索确认。