DiL：面向半监督持续学习的离散锚定表征对齐

基于摘要分析。本文研究类别持续扩展条件下的半监督持续学习（SSCL），提出 Discrete-anchored Incremental Learning（DiL），以可靠的离散锚点引导持续更新，旨在减少无标签数据中伪标签错误的强化，以及已有类别与新增类别之间的干扰。 核心机制包括两部分：Discrete Contrastive Distillation（DCD）将蒸馏路径离散化，并以锚点为参照进行选择性蒸馏，避免对无标签样本不加区分地施加蒸馏约束；Class-Aware Channel-Chunked Encoding（CACE）学习按通道分块的表征，利用离散锚点诱导的混淆矩阵，区分新增类别与容易混淆的已有类别。摘要未交代锚点构造、筛选标准、损失形式及分块方式；此处的“通道”属于表征编码语境，不能直接理解为 EEG 电极通道。 作者报告，在多个数据集及不同 SSCL 协议下，DiL 达到最先进性能；但摘要未提供数据集名称、标注比例、类别增量划分、对照方法或具体指标，因而尚不能核对收益幅度及适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若应用于类别逐步增加、仅少量数据有标签的 EEG 任务，离散锚点与选择性蒸馏可能用于抑制伪标签错误累积。可考虑复用锚点参照的蒸馏思路，但输入编码器、表征分块及锚点更新规则需要适配 EEG；低信噪比、跨被试差异、通道配置变化及小样本可能使锚点不稳定，反而固化错误。一个可证伪的小实验是在固定被试内类别增量划分与标注比例下，对比相同编码器的常规蒸馏和锚点选择性蒸馏，检查新增类识别、旧类遗忘及伪标签错误随更新的变化。该设想不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。