Alpha Net：通过分类器空间中的组合实现适配

基于摘要分析。本文研究长尾视觉分类中稀有类别容易被误判为视觉相似的常见类别的问题，提出 AlphaNet：在预训练模型基础上，通过组合相近常见类别的分类器，对稀有类别分类器进行事后修正。 核心机制是在模型表征空间中寻找与稀有类别最接近的常见类别，再学习组合权重，以常见类别分类器的线性组合更新稀有类别分类器。该方法针对已有模型的分类器进行适配，而非仅从增加稀有类别训练样本入手。摘要未说明邻近类别的选择准则、组合权重的约束、优化目标，以及适配阶段需要哪些数据或监督信息，这些实现条件尚未验证。 作者报告，将 AlphaNet 应用于多个模型和多个长尾数据集后，稀有类别的测试 Accuracy 显著改善，整体 Accuracy 变化很小，并可控制二者之间的权衡。摘要未给出数据集名称、划分方式、对照基线或具体数值，因而无法量化收益或比较不同协议下的结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类任务存在类别不均衡，且稀有类别与常见类别在预训练表征中具有稳定的可共享判别结构，分类器组合可能成为一种低成本适配方案。可复用部分是邻近类别检索与分类器权重组合，需改造或核对的是 EEG 表征、类别相似性定义及适配监督。低信噪比、被试差异、通道差异与稀有类别小样本可能使邻近关系不可靠，进而引入负迁移。一个可检验的小实验是在固定的被试内划分中，仅对训练集构造类别不均衡，在相同预训练表征下比较原分类器与组合修正后的分类器，分别报告稀有类别及整体 Accuracy，并确保测试集不参与邻近类别选择或权重学习。已有 EEG 相关工作尚未检索确认。