CLOSER：面向小样本类增量学习的更优表征学习

基于摘要分析。CLOSER 研究小样本类增量学习（Few-Shot Class-Incremental Learning，FSCIL）：在仅有少量新类别样本时学习新类别，同时保留基类知识。其核心贡献是提出在更受限的特征空间中维持特征分散，以平衡表征的可迁移性与可判别性，而非一味增大类间距离。 技术机制：摘要采用在基类上训练后固定特征提取器的设定，以缓解过拟合与灾难性遗忘，因此主要优化对象是基类阶段的表征学习。不同于强调最大化类间距离的思路，作者主张更接近的类别表征可以更有利于 FSCIL；这一主张应理解为其方法及评估条件下的结论，不能推广为所有分类任务的通则。摘要未提供约束特征空间、促进特征分散的具体实现或损失形式。 证据与复现：作者报告经验结果及信息瓶颈理论视角的分析支持该方法，但摘要未列出数据集、增量阶段设置、每类样本数、对照基线或性能指标，因而无法判断收益幅度和适用边界。材料提供了代码地址，但实现细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务确实包含“基类训练后固定编码器、以少量标注样本逐步加入新类别”的设定，其表征几何约束可能对应新类别可迁移性与旧类别可判别性的矛盾。可复用的是基类表征约束思路；EEG 编码器、预处理和增量分类模块仍需适配，并依赖基类标注数据及明确的类别增量协议。低信噪比、被试差异、通道变化和基类样本不足可能使类别靠近演变为类别混淆。一个可检验的小实验是在固定被试与通道条件的 EEG 类增量任务上，保持相同编码器、训练预算和增量分类器，对比常规表征训练与 CLOSER 约束，分别检查旧类、新类及全部已见类别的 Accuracy。该实验仅用于检验迁移假设，已有 EEG 相关工作尚未检索确认。