面向开放世界半监督分类的双空间对比学习

基于摘要分析。本文研究开放世界半监督学习（OWSSL）：未标注数据中可能包含已标注数据未覆盖的新类别，模型需要提升这些样本的表征能力。作者提出 Dual-Space Contrastive Learning（DSCL），在特征空间与预测空间内开展对比学习，并利用两者的互补信息增强分类表征；原研究对象是通用分类基准，而非 EEG 或 BCI。 DSCL 包含空间内对比学习与空间间对比学习两个模块。前者通过可学习分类器连接特征空间和预测空间，在两个空间中施加对比学习，以利用类别判别信息。后者将特征空间的邻域信息引入预测学习，同时利用预测空间的簇结构提升特征的类内紧致性。相较摘要所述仅在单一空间开展对比学习的方法，其核心区别是同时约束两个空间并建立双向信息交互；具体损失形式、邻域构建及聚类实现尚未验证。 作者报告，DSCL 在 CIFAR100、Imagenet100、CIFAR10、CUB-200 和 Scar 上优于所比较的方法。摘要未提供具体指标、数值、已知与新类别划分、标注比例或基线名称，因此尚不能判断提升幅度及不同协议下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 未标注数据中确有训练时未覆盖的任务类别，双空间互补约束可能用于缓解新类别表征不足。可复用的是空间内与空间间约束思路，需要改造 EEG 编码器、邻域度量及未知类别评估协议。该假设依赖特征邻域和预测簇具有类别意义；低信噪比、被试差异、通道变化及小样本可能使邻域主要反映噪声或个体身份，并通过双向约束放大错误。一个可证伪的小实验是在固定 EEG 数据划分下，从标注集排除部分任务类别、保留于未标注集，对比单空间约束与完整 DSCL，并分别评估已知类别分类和新类别发现。已有 EEG 相关工作尚未检索确认。