PatchBELL：通过对已学习表征进行统计建模实现增量学习

基于摘要分析。PatchBELL 研究图像类别增量学习（CIL）中的灾难性遗忘问题，在冻结编码器的表征空间内对各类别的 patch 级嵌入分布建模，以固定大小的类别统计量支持新类别加入，而非更新编码器参数。 核心机制是利用 patch 群体的统计结构。作者报告，这些表征呈近似高斯结构，因而构建类别条件似然模型；相较于整幅图像嵌入，patch 级建模提供数量级更多的样本，用于有限数据下的类别估计。针对各类别独立建模后似然不可直接比较、部分 patch 缺乏判别信息的问题，PatchBELL 采用可比较的似然与置信度加权的 patch 证据进行图像分类，并利用同一置信度生成空间解释。具体似然校准方法、置信度定义及协方差估计方式尚未验证。 作者称，新类别可单遍加入，无需回放或修改已存类别模型，并据此主张该设计可消除遗忘、对增量任务组成保持稳健；这一主张仍需结合旧类性能及类别竞争方式核对。方法不依赖参数适配或语言监督，可用于视觉语言编码器与纯视觉编码器。作者报告，在标准 CIL 基准及多个基础模型上达到最先进性能，并显著降低增量更新成本；摘要未提供基准名称、划分、指标、数值或对照细节，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移思路是冻结表征后，以局部片段统计量支持 EEG 新类别识别，而非直接迁移图像方法。假设 EEG 时间片段或时频 patch 的类别条件分布具有稳定判别信息，可复用统计存储与证据聚合框架，但需改造片段定义、编码器及分布估计。低信噪比、片段相关性、通道变化和跨被试漂移可能使样本数量增加不等于独立信息增加。可先固定同一 EEG 编码器，在被试内类别增量协议下比较片段统计与整段表征分类，并记录各阶段旧类表现及更新成本。已有相关 EEG 工作尚未检索确认。