长尾表示学习的几何：面向偏斜分布的特征再平衡

基于摘要分析。本文研究长尾图像分类中头部类别主导特征空间、尾部类别表示相互重叠的问题，通过理论分析刻画尾部类别中心收缩或坍缩的条件，并提出 FeatRecon，通过重构特征空间，使不同类别的特征分布于对称且线性可分的区域。 理论与机制：作者指出，长尾数据不仅造成类别样本数量不均衡，还会改变表示空间的几何结构；尾部类别中心可能相互靠近，甚至坍缩为同一点，使重叠区域内的特征难以区分。作者进一步认为，由于训练数据与真实数据之间存在分布偏移，仅在训练数据上经验性纠正偏斜表示不足以分离这些重叠特征。FeatRecon 的目标是直接重构特征空间，而非仅纠正已有表示的偏斜；具体重构操作、目标函数、理论成立条件与训练流程尚未验证。 实验依据：作者报告在 CIFAR-10-LT、CIFAR-100-LT、ImageNet-LT 和 iNaturalist 2018 上通过实验验证方法有效性。摘要未提供指标数值、长尾比例、数据划分、骨干网络或对照基线，因此无法判断提升幅度及其在头部、尾部类别间的分布；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 分类任务具有类别标签、类别频次不均衡，并且尾部类别出现类似的特征中心收缩，FeatRecon 的特征几何约束可能为少数类别识别提供可检验思路。可考虑复用特征空间重构机制，但需适配 EEG 编码器及被试、通道差异；低信噪比、小样本下的类别中心估计不稳定，以及跨被试偏移，可能使对称化约束失效。一个小规模检验是在固定 EEG 编码器与数据划分下，构造训练集类别不均衡，对比基线与加入该机制后的尾部类别召回率、Balanced Accuracy 和类别中心距离，并核对几何改善是否伴随识别改善。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。