面向少样本类别增量学习的演化字典表示

基于摘要分析。本文研究少样本类别增量学习（FSCIL）：基类阶段拥有带标签数据，后续阶段只能利用新类别的少量标注样本，目标是在适应新类别的同时减少对旧类别的遗忘。作者提出结合字典学习与视觉表示学习的深度字典学习方法，通过分阶段更新策略和伪类别训练支持后续类别扩展。 核心机制是在基类阶段联合优化字典与特征提取骨干，在增量阶段仅微调字典，而不更新整个模型。作者认为，这种受限更新有助于缓解基类遗忘。此外，基类训练中引入多个伪类别，旨在为未来新概念预留字典投影空间；优化过程则隐式纳入字典重建损失，而不额外添加损失项。伪类别的构造方式、隐式优化的数学形式及增量分类规则尚未验证。 作者报告，在 CIFAR100、miniImageNet 和 CUB200 上，相比其他 SOTA 方法的实验支持该方法的有效性。摘要未提供具体指标、基类与增量类别划分、每类样本数或对照结果，因此不能判断收益幅度或不同协议下的表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，在确有新类别持续加入的 EEG 分类场景中，固定特征提取器、仅更新字典可能降低小样本更新引起的表示漂移。该路径依赖带标签基类数据及少量新类标签，可复用分阶段优化思路，但需改造视觉骨干、伪类别生成与字典表示以适配 EEG。低信噪比、通道差异及跨被试漂移可能使固定骨干难以表征新类别，预留空间也未必对应有效神经信号特征。可在同一 EEG 类别增量划分下，对照固定骨干仅更新字典与全模型微调，分别检查旧类保持和新类识别，并消融伪类别训练。已有 EEG 相关工作尚未检索确认。