缓解少样本持续关系抽取中的非代表性原型与表征偏差

基于摘要分析。本文研究少样本持续关系抽取（FCRE），针对相似关系类别在样本有限时出现的类别原型代表性不足与表征偏差，提出 Minion。其主要贡献是结合结构化类别原型与标签描述提供的全局语义信息，改善相似类别的区分与少样本表征学习。 机制上，Minion 借鉴 Neural Collapse 概念，利用 General Orthogonal Frame（GOF）结构构造分离清晰的类别原型；同时在 fast-slow contrastive learning 框架内，将标签描述表征作为全局类别代表。作者认为，标签描述能够提供关系的核心属性，补充类别内少量局部样本的信息，从而缓解过拟合与表征偏差。摘要未说明具体损失、快慢学习组件的更新方式或持续学习中的历史信息维护策略。 作者报告，方法在常用 FCRE 基准上优于当前先进方法，但摘要未提供基准名称、任务序列、每类样本数、对照方法、评价指标或具体数值，因此尚不能量化收益或判断适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该方法与 EEG 少样本持续分类的潜在对应点，是相似类别混淆及少量样本造成的原型不稳定；可考虑复用 GOF 原型约束，而标签描述分支需改造为与 EEG 类别语义可靠对齐的表示。该假设依赖类别描述足够可区分，但 EEG 低信噪比、跨被试差异、通道配置变化及小数据均可能破坏原型几何结构，文本语义也未必对应神经信号差异。一个可证伪的小实验是在固定 EEG 编码器、少样本类别增量划分和记忆预算下，对比普通原型、GOF 原型及加入标签描述的方案，检查新旧类别性能与遗忘情况；这不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。