AnchorInv：通过特征空间引导的反演实现生理信号少样本类别增量学习

基于摘要分析。研究针对生理信号数据有限、且新类别逐步到来的情境，提出 AnchorInv：以特征空间锚点引导反演生成合成样本，替代原始数据存储与回放，旨在兼顾旧类知识保留和新类适应。 核心机制是 buffer-replay 策略，但回放对象由真实样本改为锚点引导的合成样本。作者认为，这种方式能够保护隐私，并在模型适应过程中发挥正则化作用。摘要未说明锚点如何构建与更新、反演的优化目标、回放缓冲区配置或新旧类别训练流程；这些机制细节及其计算开销尚未验证。其针对的关键问题不仅是增量学习中的遗忘，也包括现有 FSCIL 方法对强基础模型及大量高质量基础训练数据的依赖。 作者报告，在三个公开生理时间序列数据集上，AnchorInv 能够抑制知识遗忘、改善新类别适应，并优于所比较的先进基线。摘要未提供数据集名称、信号类型、被试数量、每类支持样本数、类别增量顺序、数据划分及具体指标，因此尚不能判断收益大小，也不能确认评估属于被试内、跨被试或跨会话协议。实验协议、消融及统计信息尚未验证；隐私保护也需核对是否有独立风险评估，不能仅因未存储原始数据就视为得到保证。 平台推测（待验证）：若用于 EEG 类别逐步增加且旧类原始数据不便保留的场景，锚点引导的合成回放可能具有方法复用价值，但摘要未确认其已在 EEG 上评估，已有 EEG 相关工作尚未检索确认。可复用的是合成回放思路，需按 EEG 的通道结构、时序特征及被试差异改造反演约束；低信噪比与小样本可能导致合成样本偏离真实分布。一个可检验的小实验是在固定 EEG 类别增量划分和相同回放预算下，对比无回放、真实样本回放与 AnchorInv，分别评估旧类遗忘和新类适应。