几何先验引导的长尾分类特征表示学习

基于摘要分析。本文研究长尾分类中尾部类别样本不足、观测特征难以代表真实分布的问题，提出利用样本充足的头部类别特征分布几何，为尾部类别提供分布先验，以改善模型泛化；原研究对象是通用长尾分类，而非 EEG 或 BCI。 方法上，作者先定义特征分布的几何及几何间相似性度量，并报告发现四种有关不同特征分布几何关系的现象。在此基础上提出 feature uncertainty representation，借助头部类别的特征分布几何扰动尾部特征，目标是让扰动后的特征尽可能覆盖尾部类别的潜在分布，并设计三阶段训练方案支持该机制。摘要未说明具体几何定义、四种现象的内容、扰动形式、损失函数及各训练阶段的细节，不能将其直接等同于黎曼几何方法。 作者报告，在 CIFAR-10/100-LT、ImageNet-LT 和 iNaturalist2018 的长尾分类实验中，该方法在多数指标上优于同类方法；摘要未提供具体数值、指标名称、对照方法及划分设置，实验协议、消融及统计信息尚未验证。复现前需核对头部几何估计的稳定性、头尾类别间几何关系的适用条件，以及三阶段训练对最终收益的影响。 平台推测（待验证）：若类别不均衡的 EEG 分类也具有可共享的类内特征几何，这类先验可能缓解少数类别分布估计不足。该假设依赖有标签的头尾类别、足够稳定的头部特征及可迁移的几何关系；可复用的是特征空间扰动思路，几何估计与扰动强度则需适配 EEG。低信噪比、被试与通道差异可能使头部几何主要反映非任务因素，小数据还可能使几何估计失真。一个可检验的小实验是在固定被试内划分的 EEG 分类任务中，仅下采样训练集构造类别不均衡，比较同一编码器下的类别重加权、普通特征扰动与几何引导扰动，并分别报告 Balanced Accuracy 和各类别召回率。已有 EEG 相关工作尚未检索确认。