面向广义零样本学习的潜在空间对比语义解耦

基于摘要分析。本文研究广义零样本学习（GZSL）：训练时仅有已见类别的带标签样本，测试时需同时识别已见与未见类别。作者提出基于条件生成模型的对比解耦框架，将视觉特征分解为语义相关与语义无关表征，并仅使用语义相关表征训练分类器。 机制上，模型将原始及生成的视觉特征编码至潜在空间，结合实例级和类别级监督促进解耦：实例级对比损失利用语义相关信息；类别级则利用语义无关表征及对应语义信息构造负样本对。最终采用监督分类模型，例如 softmax classifier，完成 GZSL 分类。摘要未说明条件生成模型的具体形式、语义信息来源、损失公式与训练流程。 作者报告，在若干基准数据集上达到当时最优表现，尤其有利于未见类别，但摘要未给出数据集名称、评估指标、具体数值及对照协议，因而不能量化收益或判断已见与未见类别之间的性能权衡。材料提供了源码地址；实现完整性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究考察的机制，是通过语义约束与对比监督分离任务相关和无关变化，而非条件生成模型本身即可直接迁移。该路径依赖可定义的类别语义信息，以及原始与生成特征；若应用于 EEG，需要改造特征编码、条件生成和语义对应方式。低信噪比、被试差异、通道变化及小数据可能使解耦偏离任务目标，甚至丢失有效信号。一个可证伪的小实验是在固定跨被试划分下，对比同一 EEG 编码器结合完整解耦目标与不使用该目标的版本，并检查任务识别和被试身份可预测性是否同时朝预期方向变化；这只能检验解耦假设，不能替代零样本任务验证。相关 EEG 工作尚未检索确认。