用于少样本类增量学习的基于协方差的空间正则化

基于摘要分析。本文研究 Few-shot Class Incremental Learning（FSCIL，少样本类增量学习）：模型在增量阶段仅有少量标注样本，需要学习新类别并保留基类知识。作者提出协方差约束与特征空间扰动，以缓解新类过拟合、基类灾难性遗忘，以及新旧类别或新类别之间的特征空间混淆。 核心机制包括两部分：一是通过协方差约束损失，促使各类别分布具有相同的协方差矩阵，直接约束类分布的空间跨度；二是扰动少样本训练数据的特征，使其远离其他类别的加权分布，并将扰动后的样本作为新类数据训练分类器，以建立更明确的新旧类别边界。相较于摘要所述的原型方法，该方法强调分布形状约束和边界塑造，而不只是原型表征。具体损失形式、协方差估计方式、类别权重、扰动生成与训练流程尚未验证。 作者报告，该方法可集成到现有 FSCIL 方法中，并在三个基准上验证有效性、达到新的 SOTA。摘要未提供基准名称、数据划分、各增量阶段样本量、对照方法或指标数值，因此不能据此比较增益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应 EEG 少样本新增任务类别时的特征重叠问题，但原论文研究对象是通用 FSCIL，并非已验证的 BCI 方法。迁移假设依赖带类别标注的特征表示、基类分布估计及明确的类增量协议；可复用协方差约束与扰动模块，需适配 EEG 编码器和特征尺度。低信噪比、小样本及被试或通道差异可能使协方差估计不稳定，共享协方差假设也可能抹去有判别力的类间差异。一个可检验的小实验是在固定被试内划分与编码器的 EEG 类增量任务中，对比基线、仅协方差约束、仅扰动及两者联合，分别观察基类保持与新类识别表现。已有 EEG 相关工作尚未检索确认。