面向无样本回放类别增量学习的前瞻性表征学习

基于摘要分析。本文研究无样本回放类别增量学习（Non-exemplar Class-Incremental Learning，NECIL）：在不保留旧类样本的条件下，同时识别旧类与新类。作者提出 Prospective Representation Learning（PRL），通过提前为未来类别预留表征空间，减少新类学习对旧类表征的干扰。 核心机制分为两个阶段：基础阶段压缩当前类别的嵌入分布，为未来类别保留空间；增量阶段在潜在空间中推动新类特征远离已保存的旧类原型，同时在模型更新时将当前嵌入空间与该潜在空间对齐，使新类特征聚集于预留区域。其思路区别于新任务到来后才回顾性处理新旧类别冲突的方法；不保存旧样本并不意味着不保存旧类信息，摘要明确提及旧类原型。 作者报告，PRL 可作为即插即用组件增强现有 NECIL 基线，并在多个基准上优于当时的先进方法。摘要未给出基准名称、任务划分、对照方法或具体指标，尚不能判断提升幅度及适用边界；损失形式、原型保存与更新方式、空间对齐实现、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能适用于不能保留旧 EEG 数据、但需逐步增加识别类别的场景，而非直接解决跨被试或跨会话分布变化。可复用的是空间预留和原型约束思路，需适配 EEG 编码器及原型估计；低信噪比、小样本和被试或通道变化可能造成原型失真，过度压缩也可能损害旧类可分性。假设是在固定被试与通道的类别增量协议下，PRL 能改善新旧类识别平衡；可用相同 EEG 编码器、相同类别顺序和不保留旧样本的设置，对比基线与加入 PRL 的版本，分别评估旧类与新类表现。已有 EEG 相关工作尚未检索确认。