无样本类增量学习的表征鲁棒性与特征扩展

该研究针对旧类数据不可访问时的灾难性遗忘问题，提出一种无样本类增量学习方法，通过增量训练阶段移除 batch normalization（BN）层及混合旧类原型，改善稳定性与可塑性的平衡。基于摘要分析，原研究对象是图像分类，而非 EEG 或 BCI。 方法包含两个部分：其一，作者依据对 BN 影响表征学习的探索，提出在增量训练阶段移除 BN 层（RBNL），以提高表征稳定性；其二，提出 prototype mixing（PM），随机线性组合旧类原型，生成带有复合标签的混合原型，用于微调全连接层。这里的“无样本”指不保留旧类样本，并非不保存任何历史信息；方法仍使用旧类原型。摘要未说明 BN 移除的具体实现、原型更新方式、混合标签构造细节及损失形式。 作者报告，在 CIFAR-100、TinyImageNet 和 ImageNet 三个图像基准上，该方法能够平衡稳定性与可塑性，并优于所比较的现有方法。摘要未给出具体指标、类别增量划分及对照配置，无法据此量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 应用需要持续加入新类别且不能保存旧类原始信号，旧类特征原型与分类头微调机制可能提供可测试的迁移路径。其前提是旧类原型在特征空间变化后仍具代表性，且原型线性混合具有有效的类别监督意义。可复用模块是原型存储与混合，需改造 EEG 编码器及其归一化策略；低信噪比、跨被试或跨会话漂移可能使原型失真，小数据也可能削弱移除 BN 后的训练稳定性。一个小规模检验是在固定被试内类别增量协议下，以相同原型存储预算比较基线、仅 RBNL、仅 PM 及两者结合，记录整体与旧类 Accuracy 的变化。相关 EEG 工作尚未检索确认。