重新思考细粒度噪声人脸条件下的鲁棒表征学习

基于摘要分析。本文研究大规模含噪人脸数据中的鲁棒表征学习，提出 Evolving Sub-centers Learning（ESL），通过动态调整每类的子中心，使表征适应不同的身份与簇结构；研究对象是人脸识别，而非 EEG 或 BCI。 作者将每类噪声结构细化为 N-identities|K^C-clusters，并通过改变 N、K、C 描述不同类型的噪声人脸。摘要未完整解释各符号的具体定义，因此不进一步展开其含义。作者认为，已有方法虽然处理类内与类间冲突，但对不同噪声结构的适应灵活性仍是关键障碍。 ESL 为每类初始化 M 个子中心，再通过生成、合并和丢弃操作，使子中心自动适配潜在的身份与簇结构。其目标是让属于同一身份的图像向同一子中心聚集，并将不同身份的样本推离。具体损失函数、操作触发条件及优化流程尚未验证。 作者报告，在具有不同 N、K、C 的合成噪声数据集上开展了消融研究，并在大规模含噪人脸数据上取得相较先进方法的显著性能提升。摘要未提供数据集名称、划分协议、指标、具体分数及统计检验，因而无法据此量化收益或判断不同噪声条件下的稳定性；实验协议、消融细节及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是用可变数量的子中心描述同一标签下的多模态结构，可能对应 EEG 中由被试或会话差异造成的类内异质性。该假设依赖类别监督及可辨识的簇结构；可尝试复用子中心更新机制，但需改造输入表征与距离度量。低信噪比、小样本及通道差异可能使子中心追随伪簇，且 EEG 中不同簇不一定意味着错标。一个可证伪的小实验是在固定 EEG 编码器、相同跨被试划分和受控标签噪声下，比较固定子中心与动态子中心的分类表现及子中心稳定性。已有 EEG 相关工作尚未检索确认。