Mamba-FSCIL：利用选择性状态空间模型实现少样本类别增量学习的动态适应

基于摘要分析。该研究面向图像少样本类别增量学习（FSCIL），目标是在仅有少量新类训练样本时学习新增类别，同时保留旧类知识。Mamba-FSCIL 利用选择性状态空间模型（Selective State Space Models，SSMs）的动态权重与序列建模能力实现动态适应，试图缓解固定参数空间适应对当前增量阶段的过拟合，以及持续扩展参数空间带来的复杂度问题。 核心方法是双 selective SSM projector：根据中间特征动态调整投影参数，通过双重设计保持基础类的稳健特征，同时学习新类的辨别性特征变化。另一个机制是 class-sensitive selective scan，用于引导动态适应，减少新类训练对基础类表征的扰动，并促使基础类与新类采用不同的选择性扫描模式。摘要未提供双重设计的具体连接方式、扫描对象、损失形式或训练流程，这些细节尚未验证。 作者报告，在 miniImageNet、CUB-200 和 CIFAR-100 的 FSCIL 实验中，该框架优于已有最先进方法；摘要未给出具体指标、数值、基础类与增量类划分、每类样本数或对照配置，因此不能据此量化优势或跨协议比较。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性、运行环境与复现结果尚未验证。 平台推测（待验证）：若 EEG 应用确实涉及少样本新增任务类别而非仅被试或会话变化，其“保留基础类表征、适应新类特征”的机制可能对应类别增量学习中的遗忘问题。可考虑复用动态投影与类别敏感扫描，但需核对原方法的特征序列构造，并改造 EEG 编码器及时间或通道序列接口。低信噪比、跨被试差异、通道变化和小样本监督可能使动态适应追随噪声，而非稳定的类别差异。一个可证伪的小实验是假设固定 EEG 编码器，在相同被试内划分和新类样本预算下比较静态投影与该动态机制，同时测量旧类保持和新类识别表现；这只是迁移验证建议，不是已证实的 BCI 效果。已有 EEG 相关工作尚未检索确认。