并非所有实例贡献相同：面向少样本视觉识别的实例自适应类别表示学习

基于摘要分析。本文研究少样本视觉识别中等权汇总支持集实例可能导致类别表示偏置的问题，提出度量式元学习框架 ICRL-Net，通过实例自适应加权构建类别表示，并结合改进的双线性实例表示与结构损失进行优化。 核心机制是 adaptive instance revaluing network（AIRN）：根据同一类别支持集中各实例的相对重要性学习并分配权重，以减轻背景或无关概念信息对类别表示的干扰。方法还引入 intraclass instance clustering loss 与 interclass representation distinguishing loss，分别用于约束类内实例聚集和类间表示区分，进一步调节实例重估过程。摘要未提供权重计算方式、双线性表示的具体构造或损失公式，不能据此确定实现细节。 作者报告在 miniImageNet、tieredImageNet、CIFAR-FS 和 FC100 四个少样本视觉识别基准上，相较所比较的先进方法取得更优表现；摘要未给出具体指标、数值、任务配置、数据划分或对照方法，因此尚不能量化增益。实验协议、消融及统计信息尚未验证，复现还需核对元训练与元测试设置、模型配置和代码可用性。 平台推测（待验证）：假设少样本 EEG 支持集中的试次存在不同程度的伪迹或非任务信息，实例加权汇总可能对应等权类别表示受低质量试次影响的瓶颈。可考虑复用 AIRN 的加权思路与结构约束，但需将视觉表示替换为适配 EEG 时序及通道结构的表示，并评估双线性表示是否适用。该迁移依赖带类别标签的少样本支持集；低信噪比、跨被试差异、通道不一致及小数据可能导致权重偏向偶然模式，甚至压低有效但异质试次的贡献。一个可证伪的小实验是在固定 EEG 编码器和相同少样本划分下，对比等权汇总与自适应加权，并在支持集加入可控伪迹，检验加权是否稳定改善同一协议下的 Accuracy。以上不属于论文已验证结果，相关 EEG 工作尚未检索确认。