SpectralGCD：面向广义类别发现的谱概念选择与跨模态表征学习

基于摘要分析。本文研究图像领域的 Generalized Category Discovery（GCD，广义类别发现）：利用少量已知类别的标注样本，在无标注数据中发现新类别。SpectralGCD 将 CLIP 的图像—概念相似度作为统一跨模态表征，并结合谱概念筛选与知识蒸馏，旨在缓解仅依赖图像特征训练分类器时对已知类别的过拟合，以及已有多模态方法的计算开销。 方法将每幅图像表示为大型、任务无关概念词典上的语义概念混合，以显式语义约束学习、降低对伪视觉线索的依赖。Spectral Filtering 利用强教师模型计算的、经 softmax 处理的相似度所构成的跨模态协方差矩阵，自动保留相关概念；再通过来自同一教师的正向与反向知识蒸馏，维持学生跨模态表征的语义充分性与对齐。具体谱筛选准则、蒸馏方向的数学定义和损失形式尚未验证。 作者报告，在六个基准上，SpectralGCD 的 Accuracy 与现有最先进方法相当或显著更高，同时计算成本仅为其一小部分。摘要未给出基准名称、已知与新类别划分、具体数值、显著性检验或成本计量口径，因此无法判断优势适用范围。作者提供了公开代码链接，但代码内容、运行条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，在具有可靠语义描述与信号—文本教师对齐的 EEG 任务中，先筛选相关概念、再蒸馏到小模型，可能有助于限制无关语义干扰；这不等于原有 CLIP 图像表征可直接用于 EEG。需要改造信号编码器、概念词典及教师对齐过程，且低信噪比、跨被试差异、通道配置变化与小数据可能使概念统计不稳定。可在固定跨被试划分、相同教师和学生配置下，对比完整词典与谱筛选词典，检验新类别识别及计算开销是否同时改善。相关 EEG 工作尚未检索确认。