纠正视觉语言模型中的表征偏差以实现长尾识别

基于摘要分析。本文研究视觉语言（VL）模型中的长尾图像识别问题，认为尾部类别的识别瓶颈不仅与样本稀缺有关，还来自它们与高度相关的头部类别之间的混淆。作者提出 rectification contrastive term（ReCT），依据语义提示和训练状态纠正表征偏差。 机制上，作者将每个样本的表征学习分为学习本类别独有属性的特有部分，以及学习类别间共享特征的共有部分。作者分析认为，共有表征的学习容易偏向头部类别，使分类决策过度依赖有偏的共有信息，而未充分利用具有区分力的类别特有信息。相较于主要围绕类别频率处理长尾问题的方法，本文强调类别相关性这一因素；摘要未给出 ReCT 的具体损失形式、语义提示构造或训练状态的计算方法。 作者报告在三个常用长尾数据集上验证了 ReCT；其中，在 iNaturalist2018 上使用 ResNet-50 视觉骨干时，总体 Accuracy 为 75.4%，较基线提高 3.6 个百分点。摘要未明确基线名称、数据划分及完整训练配置，另外两个数据集名称也未提供；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能启发类别不平衡 EEG 分类中“少数类别与相关多数类别混淆”的分析，但原论文研究对象是图像，不能据此认定其对 BCI 有效。迁移假设依赖有意义的类别语义关系，需将视觉编码器替换为 EEG 编码器，并验证语义提示是否适配任务。低信噪比、跨被试差异及小样本可能使类别相关性估计不稳定。一个可证伪的小实验是在固定的被试内 EEG 划分中，仅对训练集构造类别不平衡，比较同一编码器加入与不加入改造后 ReCT 的 Balanced Accuracy 及少数类别混淆情况。已有 EEG 相关工作尚未检索确认。