CLOSER：面向小样本类别增量学习的更优表征学习

基于摘要分析。CLOSER 研究小样本类别增量学习（FSCIL）：在新类别仅有少量样本时学习新类，同时保留基础（旧）类别知识。其核心贡献是在基础类别表征学习阶段，尝试在更受限的特征空间中保持特征分散，以平衡表征的可迁移性与可判别性。 方法背景是先在基础类别上训练特征提取器，再将其固定，以减轻后续增量学习中的过拟合与灾难性遗忘。在这一设置下，基础表征能否迁移到新类、同时维持类别区分能力，是论文关注的主要问题。与强调扩大类间距离的思路不同，作者主张让不同类别更接近，并在受限空间内维持特征分散。摘要未给出空间约束、距离度量、损失函数或增量分类规则的具体形式，不能据此确定实现方式。 作者报告，实证结果及信息瓶颈理论视角的分析支持这一表征学习策略；但摘要未提供数据集、增量阶段划分、每类样本数、对照基线或量化指标，因此尚不能判断收益大小及其稳定性。实验协议、消融及统计信息尚未验证。摘要称代码可用，但所给材料未包含具体仓库地址，复现依赖与配置仍需核对。 平台推测（待验证）：若 EEG 应用确实涉及新增任务类别、每类标注样本有限且固定特征提取器，该机制可能对应增量学习中的表征迁移与类别区分瓶颈，而非直接解决跨被试或跨会话域偏移。可考虑复用其表征约束思路，EEG 编码器及增量分类模块则需依据全文实现与信号结构适配。低信噪比、通道差异和被试差异可能使缩小类间距离加剧类别混淆。一个可检验的小实验是假设在相同 EEG 数据划分和新增类别顺序下，对比原始固定编码器与加入该约束后的固定编码器，分别检查旧类保持和新类识别表现。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性证据。