MASIL：面向少样本类别增量学习的最大可分类别表示

基于摘要分析。MASIL 研究 Few Shot Class Incremental Learning（FSCIL）中每次增量会话仅有少量新类样本时的旧类遗忘与新类过拟合问题，提出以最大化类别间可分性为目标的分类器学习框架。 核心机制是让分类器权重形成 simplex Equiangular Tight Frame，以约束类别间的几何关系。作者提出 concept factorization，将基类会话中已坍缩的特征表示为概念基的组合，再利用这些概念基为少样本新类构建分类器单纯形。随后通过微调减少分解误差，并在不将任何基类样本保留于记忆中的条件下联合训练基类与新类分类器。具体分解算法、损失形式、特征提取器更新方式及联合训练所依赖的信息尚未验证。 作者报告，在 miniImageNet、CIFAR-100 和 CUB-200 的 FSCIL 实验中，MASIL 优于所比较的基线；摘要未提供具体指标、数值、增量会话划分或基线设置，因此不能据此量化收益或跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在类别逐步增加、每个新类标注稀缺且旧类原始数据不可保留的场景，其分类器几何约束与概念基复用可能具有参考价值。可复用部分是分类器构造思路，需改造部分包括 EEG 特征编码器与概念分解的输入表示；低信噪比、跨被试漂移、通道差异及少量样本可能使概念基不稳定，或使固定几何约束不符合类别分布。一个可检验的小实验是在同一 EEG 数据集内固定编码器、类别增量顺序和样本预算，对比普通增量分类器与加入上述机制的分类器，分别评估旧类保持与新类识别。该假设不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。