REAL：用于无样本回放类别增量学习的表征增强解析学习

基于摘要分析。REAL 面向无样本回放类别增量学习（EFCIL）：在不能使用历史样本的条件下学习新增类别并缓解灾难性遗忘。其核心贡献是先增强特征提取器的表征，再采用解析学习（AL）进行类别增量更新，针对现有 AL 方法中冻结骨干对未见数据表征区分能力不足的问题。 方法包含双流基础预训练（DS-BPT）与表征增强蒸馏（RED）。DS-BPT 使用监督学习和自监督对比学习（SSCL）两条流提取基础知识；RED 将监督知识蒸馏到 SSCL 预训练骨干中，随后将类别增量学习转化为递归最小二乘问题。摘要未给出蒸馏目标、对比损失、骨干结构及递归更新的具体形式，这些实现条件尚未验证。 作者报告，在 CIFAR-100、ImageNet-100 和 ImageNet-1k 等数据集的 EFCIL 评估中，REAL 优于现有领先方法，并与采用历史样本回放的方法达到相当或更优的性能。摘要没有提供具体指标、基础类别与增量类别划分、增量阶段数量及对照配置，因此不能量化优势或直接比较不同协议。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应 EEG 中无法长期保存历史试次、但需持续增加任务类别的情境，而非一般的跨被试或跨会话分布变化。可考虑复用监督与自监督预训练、蒸馏及解析分类器更新，但需要按 EEG 时序和通道结构改造编码器、对比增强与监督目标。该路径依赖基础阶段有可用标签和足够的预训练数据；低信噪比、被试差异、通道变化及小数据可能使冻结表征无法区分新增类别。一个可检验的小实验是在固定通道的 EEG 运动想象数据上构造被试内类别增量划分，在不回放历史试次的条件下，对比基础 AL 与加入 DS-BPT、RED 的版本，分别评估旧类保持和新类识别。此为迁移假设，已有 EEG 相关工作尚未检索确认。