几何先验引导的长尾分类特征表示学习

基于摘要分析。本文研究通用长尾分类中尾部类别样本不足、观测分布难以代表真实分布的问题，提出利用样本充足的头部类别特征分布几何，引导尾部类别的特征不确定性表示，以改善尾部类别的泛化能力；原研究并非 EEG 或 BCI 方法。 核心机制是先定义特征分布的几何及其相似性度量，再依据作者发现的四种分布几何关系现象，利用头部类别的几何信息扰动尾部特征，使扰动后的特征尽可能覆盖尾部类别的潜在分布。作者另设计三阶段训练方案支持特征不确定性建模。摘要未给出四种现象的具体内容、几何度量公式、扰动形式、损失函数及各阶段训练细节，尚不能判断几何信息可迁移的充分条件。 作者报告，在 CIFAR-10/100-LT、ImageNet-LT 和 iNaturalist2018 的长尾分类实验中，该方法在多数指标上优于其他同类方法。摘要未列出具体分数、指标名称、类别不平衡设置及对照方法，因此不能量化收益或直接比较不同数据集表现；实验协议、消融及统计信息尚未验证。摘要表示代码将公开，但材料不足以确认其当前可用性。 平台推测（待验证）：该机制依赖样本充足的头部类别和可迁移的特征分布几何，或可用于探索 EEG 类别不平衡下的尾部特征增强。可复用的是几何估计与特征扰动思路，需改造 EEG 特征编码及几何估计方式；低信噪比、被试或通道差异、小样本导致的几何估计不稳，以及类别间几何不相容，都可能使扰动偏离有效信号。一个可检验的小实验是在固定被试内划分、仅用训练集估计几何的前提下，对比同一编码器配合类别重加权、普通特征扰动与几何引导扰动，检查尾部类别召回率及 Balanced Accuracy 是否改善。该迁移仅是假设，已有 EEG 相关工作尚未检索确认。