面向开放世界半监督学习的目标化表征对齐

基于摘要分析。本文研究开放世界半监督学习：利用已知类别的标注数据，对同时包含已知类别和未见新类别的无标注样本进行分类。作者提出 TRAILER，通过预先设定的目标原型与渐进式表征对齐，缓解不同新类别特征相互混杂、甚至聚入同一簇的表征坍塌问题。 核心机制是借鉴 neural collapse 现象所揭示的特征排列，为目标原型预设均匀分布、最大分离的布局，再逐步将样本表征与这些原型对齐。为缓解严格对齐可能带来的不利影响，框架引入由粗到细细化的样本—目标分配机制，以推断标签分配。相较于主要依赖相似性聚类的方法，其关键区别在于显式约束表征的目标几何结构，而非仅让无标注样本自行形成簇；具体目标函数、原型数量及分配更新规则尚未验证。 作者报告，TRAILER 在通用与细粒度基准上优于当时的最先进方法；摘要未给出具体数据集、划分、指标、数值和对照配置，因此无法判断优势幅度及其适用条件。摘要称代码已公开，但实现与复现条件尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务符合“部分已知类别有标注、无标注数据混合已知与新类别”的开放世界设定，可假设目标原型约束有助于缓解新类别表征混杂。可复用原型对齐与分配机制，但需适配 EEG 编码器，并核对新类别数量是否需要预先给定。低信噪比、跨被试偏移及小样本可能使分配反映被试差异而非任务类别，均匀分离约束也可能不符合真实类别结构。一个可检验的小实验是在被试内按类别隐藏部分标签，固定编码器和数据划分，对比完整机制与去除目标对齐的版本，分别评估已知类别分类和新类别聚类。上述迁移并非本文已验证结果，相关 EEG 工作尚未检索确认。