MASIL：面向少样本类别增量学习的最大可分离类别表征

基于摘要分析。MASIL 研究 Few Shot Class Incremental Learning（FSCIL），即每个增量阶段仅有少量新类别标注样本时，如何兼顾旧类保持与新类学习。其核心思路是使分类器权重形成 simplex Equiangular Tight Frame，以提高类别间可分离性，并通过 concept factorization 为少样本新类构造分类器。 机制上，作者将基阶段类别的坍缩特征用 concept basis 表示，再利用这些基诱导少样本类别的分类器单纯形结构；随后通过微调减少分解误差，并在不保留任何基类样本的条件下联合训练基类与新类分类器。摘要没有交代特征提取器的训练与更新方式、分解目标、具体损失，以及联合训练所依赖的保留信息，这些实现条件尚未验证。 作者报告，MASIL 在 miniImageNet、CIFAR-100 和 CUB-200 的 FSCIL 实验中优于所比较的基准方法，但摘要未给出具体数值、指标、类别划分、各阶段样本数及对照配置，因此尚不能判断提升幅度或不同条件下的稳定性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有固定类别定义、逐阶段增加类别且新类标注稀缺的条件，可检验其分类器几何约束与概念基复用机制，而不是直接假定视觉结果可迁移。需改造 EEG 特征编码及概念基构造；低信噪比、跨被试差异、通道变化和小样本可能破坏特征簇结构，使概念基难以复用。一个可证伪的小实验是在固定被试与通道条件下构造 EEG 类别增量划分，控制特征编码器和样本预算，对比普通分类器、仅几何约束及加入 concept factorization 的版本，分别评估旧类保持与新类识别。相关 EEG 工作尚未检索确认。