超球面空间中基于原型的持续学习新模型

基于摘要分析。本文研究视觉对象识别中的类别增量学习（CIL）：模型需要适应不断新增的类别，同时减少旧任务性能退化。作者提出 C-HPN，将视觉特征投影到超球面空间，通过原型学习、原型适应与关系保持蒸馏处理新类别学习和灾难性遗忘；研究对象是图像识别，并非 EEG 或 BCI。 核心机制包含两部分。首先，作者以实例—原型紧致损失和原型—原型可分性损失替代常用交叉熵损失，分别促进超球面嵌入的类内聚集，以及通过原型间较大角距离的归纳偏置增强类别分离。其次，模型设计原型构建与适应策略以接纳新类别，并通过实例—原型关系保持蒸馏约束增量学习过程中的知识变化。摘要未提供损失公式、原型更新规则、蒸馏目标或旧类样本保留方式，这些实现条件尚未验证。 作者报告在多个图像数据集上的实验支持方法有效性，但摘要未列出数据集名称、增量划分、对照方法、评价指标及具体数值，因而尚不能判断改善幅度或区分不同增量协议下的表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法依赖带类别监督的特征表示及逐步新增类别的任务结构，可能对应 EEG 解码中新增运动想象类别时的旧类遗忘问题，而不直接等同于跨被试或跨会话适应。可尝试复用超球面原型约束与关系蒸馏，但需改造 EEG 特征编码及增量数据组织。假设类内表示足够稳定，角距离约束可能帮助维持类别边界；低信噪比、被试差异、通道变化和小样本原型估计误差也可能使该假设失效。一个可检验的小实验是在固定被试、固定通道与固定数据划分下依次引入运动想象类别，比较相同编码器和旧类数据预算下的常规微调与 C-HPN 式约束，分别记录旧类和新增类 Accuracy。已有 EEG 相关工作尚未检索确认，该迁移建议不代表已验证的 BCI 效果。