PSS：面向开放世界视觉表征学习的渐进式样本选择

基于摘要分析。本文研究开放世界视觉表征学习：目标是在训练期间既无目标新类别的先验知识、也无法访问这些类别图像的条件下，学习可泛化至未见类别的表征。作者提出 PSS，以渐进式样本选择和聚类伪标签迭代改善特征泛化。 核心机制是在每轮迭代中，从无标签样本中选择同质性较高、且在特征空间中远离当前已知类别的样本，再对所选样本聚类，生成用于后续表征学习的伪标签。该方法依赖无标签数据的可聚类结构以及当前表征对同质性和类别距离的刻画能力。摘要未明确无标签训练样本与目标未见类别的具体关系，同质性的定义、距离计算、选择阈值、损失函数和迭代策略也尚未验证。 作者报告，在自然物种图像检索和人脸验证基准上，PSS 持续优于所比较的先进开放世界半监督学习与新类别发现方法。摘要未提供具体数据集名称、划分、评价指标或数值，因此不能量化优势或跨协议比较。作者称训练与推理代码已公开；实验协议、消融及统计信息尚未验证，复现前需核对完整配置与代码依赖。 平台推测（待验证）：若 EEG 无标签片段存在与任务类别对应的稳定聚类结构，样本筛选与聚类伪标签模块可能用于探索未知状态表征；但需将视觉特征距离改造为适合 EEG 的相似度度量，并明确训练类别与目标未知类别的隔离方式。低信噪比、被试差异和通道配置可能使聚类主要反映伪迹或身份，小数据也可能导致伪标签误差累积。可在固定 EEG 划分上隔离目标未知类别，比较相同编码器下使用与不使用渐进筛选的表征表现，并检查聚类是否被被试身份主导。该假设不属于论文已验证结果，相关 EEG 工作尚未检索确认。