MASIL：面向少样本类别增量学习的最大可分类别表征

基于摘要分析。该研究面向 Few Shot Class Incremental Learning（FSCIL，少样本类别增量学习），提出 MASIL，通过构造类间最大可分的分类器权重，并借助 concept factorization 将基类表征中的结构用于新类，缓解旧类遗忘和新类过拟合。 核心机制是使不同类别的分类器权重形成 simplex Equiangular Tight Frame（单纯形等角紧框架）。作者提出以 concept basis 解释基类训练阶段的塌缩特征，再利用这些基向量为少样本新类诱导分类器单纯形。随后进行微调，以降低分解误差，并在内存中不保留基类样本的条件下联合训练基类与新类分类器。摘要未说明具体分解算法、损失形式、可训练模块以及是否保存其他形式的基类信息，这些实现条件尚未验证。 作者报告，在 miniImageNet、CIFAR-100 和 CUB-200 的 FSCIL 实验中，MASIL 优于所比较的基准方法。摘要未提供增量会话安排、每类样本数、数据划分、评价指标、具体分数或基线清单，因此无法量化优势或比较不同实验协议；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应问题是少量标注下逐步引入新任务类别时的旧类保持，而非直接解决跨被试或跨会话分布偏移。可考虑复用分类器几何约束和 concept factorization，但需适配 EEG 特征编码器及增量类别定义。低信噪比、通道差异和被试差异可能使概念基不稳定，小样本估计也可能削弱几何约束的收益。可检验的假设是：固定 EEG 编码器、数据划分与样本预算，在被试内类别增量设置下，对比普通线性分类器、仅加入 simplex 约束及完整 MASIL，分别记录旧类和新类的 Accuracy。该实验仅为迁移验证建议，已有 EEG 相关工作尚未检索确认。