DyCR：用于少样本类增量学习的动态聚类与恢复网络

DyCR 研究少样本类增量学习（FSCIL）中学习新类与保持旧类知识的矛盾，提出在增量阶段仍可训练的动态网络，并通过特征正交分解和旧类特征恢复缓解灾难性遗忘。基于摘要分析，尚未取得论文全文。 机制上，作者将特征嵌入分为 context 信息与 category 信息：保存 context 部分，用于后续增量阶段恢复旧类特征；利用 category 部分优化嵌入空间，使不同类样本相互分离、同类样本更加紧凑。相较于增量阶段固定网络参数的方法，DyCR 允许继续学习新特征，旨在改善对新类数据的适应能力。摘要未给出正交分解的具体实现、恢复过程及损失形式。 作者报告，DyCR 在四个基准数据集上优于既有方法，并称保存 context 信息所需的数据量远小于保存原始样本。摘要未列出数据集名称、每类样本数、增量阶段划分、指标、具体分数及存储核算方式，因此尚不能量化其优势或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证；作者提供了代码地址，但实现与复现条件尚未核对。 平台推测（待验证）：若 EEG 应用确实需要以少量标注样本逐步加入新类别，该机制可能用于探索新类适应与旧类保持，而不能直接等同于跨被试或跨会话适应。可复用的候选模块是特征分解、紧凑记忆与旧类特征恢复，EEG 编码器及 context/category 的含义需重新验证。低信噪比、被试差异和通道变化可能使两类信息难以分离，小样本下恢复特征也可能失真。可在固定被试与通道条件下开展小规模类增量实验，以相同存储预算比较冻结编码器、直接微调和 DyCR 式恢复方案，分别检查旧类保持与新类性能；已有 EEG 相关工作尚未检索确认。