从偏置到平衡：通过转移校准实现新知识优先的小样本类别增量学习

基于摘要分析。本文研究小样本类别增量学习（FSCIL）中新类样本稀少、预测偏向旧类的问题，提出带有新知识优先先验的可训练转移矩阵，校准旧类与新类之间的预测差异，以平衡新概念学习与灾难性遗忘。 机制上，作者要求转移矩阵具有对角占优、归一化和可微分性质，通过优先支持新知识，缓解大量旧知识与有限新知识之间的不平衡。摘要未说明矩阵作用于预测流程的具体位置、先验的数学形式、优化目标及训练参数范围，这些实现细节尚未验证。 作者报告，在 miniImagenet、CIFAR100 和 CUB200 的 FSCIL 实验中，相对其所称的最新先进方法分别提升 1.1%、1.44% 和 2.08%。摘要未明确对应指标、提升计算方式、增量会话与数据划分，不能将这些数值直接解释为 Accuracy 的百分点增益。实验协议、消融及统计信息尚未验证，尤其需核对新旧类别分项表现，判断改善是否伴随旧类性能下降。 平台推测（待验证）：若 EEG 应用确实涉及逐步加入新任务类别、且每个新类仅有少量标注样本，其预测偏置问题可能与本文机制对应。可尝试复用转移校准模块，但需适配 EEG 表征与类别增量流程；低信噪比、被试差异和小样本估计不稳可能使新类优先校准放大误判。一个可检验的小实验是在固定被试内数据划分和相同 EEG 编码器的条件下，对照无校准与加入校准两种设置，分别评估旧类、新类 Accuracy 及遗忘程度。该假设不构成已证实的 EEG/BCI 效果，相关 EEG 工作尚未检索确认。