SCREAM：面向类别增量学习的知识共享与紧凑表示

基于摘要分析。本文研究图像类别增量学习（CIL）中的灾难性遗忘，针对动态结构方法中子网络相互隔离、整体信息整合不足的问题，提出两阶段方法 SCREAM，在网络扩展时促进知识共享，并在压缩时保留紧凑表示。 方法包括 Expandable Network（EN）学习阶段与 Compact Representation（CR）阶段。EN 使用聚类损失聚合相关实例、促进信息共享，并以动态权重对齐缓解分类器偏向新类别的问题；CR 使用平衡解耦蒸馏，旨在减轻多次压缩过程中长尾效应的影响。摘要未给出损失公式、扩展与压缩的触发规则，以及各模块的独立贡献。 作者报告，在不同 replay-buffer 容量下与现有方法比较，并在摘要列出的 CIFAR-100、ImageNet-100/1000 和 Tiny-ImageNet 上获得平均准确率优势。原文将结果分为三组，分别写为超过 2.46%、1.22% 和 1.52%，但数据集分组、比较基线及这些数值代表相对百分比还是百分点均不明确，因此不能据此作严格的定量比较。作者另报告，较小缓冲区条件下平均准确率优势超过 4.60%，并称资源需求表现良好；具体缓冲区大小、资源指标、类别顺序、任务划分、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 分类系统逐步加入新类别时的遗忘与存储约束，但原研究对象是图像分类，并非 EEG 或 BCI。可考虑复用扩展—压缩流程和偏置校正思路，需改造 EEG 编码器，并明确类别增量是否与被试或会话变化同时发生；低信噪比、小样本及通道差异可能使聚类关系不稳定，进一步放大蒸馏误差。一个可检验的小实验是在固定被试与通道配置下构造 EEG 类别增量序列，保持相同回放容量和类别顺序，对比完整方法与移除知识共享或平衡蒸馏的版本，检查平均 Accuracy、旧类别遗忘及资源开销。已有 EEG 相关工作尚未检索确认。