面向跨域少样本学习的双重自适应表征对齐

基于摘要分析。本文研究源域基础知识与目标域新类别样本分布不一致时的跨域少样本学习，提出双重自适应表征对齐方法，以在目标域仅有极少支持样本的条件下提升元学习器的快速适应能力。其主要研究对象是通用跨域少样本识别，并非 EEG 或 BCI。 方法包含两个模块：原型特征对齐将支持样本重新校准为原型，再通过可微闭式解对原型进行重投影，利用跨样本及跨原型关系，将已学知识的特征空间自适应变换到查询空间；归一化分布对齐利用查询样本的先验统计信息，处理支持样本与查询样本之间的分布偏移。两个模块被整合进渐进式元学习框架。具体损失、闭式解形式、查询统计的估计方式，以及推理时查询样本的可用范围尚未验证。 作者报告，该方法在 4 个 CDFSL 基准和 4 个细粒度跨域基准上取得新的最优结果；摘要未提供基准名称、支持样本数量、数据划分、指标数值及对照细节，因此尚不能判断提升幅度或进行协议间比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类任务能够构造类别一致的支持集与查询集，原型重投影和分布对齐可能用于缓解跨被试或跨会话的表征偏移。可复用的是特征空间对齐机制，需改造 EEG 编码器、通道适配与查询统计估计流程；低信噪比、极少样本下原型不稳定、通道差异及查询类别比例变化均可能使对齐失效。一个可证伪的小实验是在固定 EEG 编码器及相同跨被试划分下，比较无对齐、单模块与双模块方法，并预先限定查询样本可用方式，检验收益是否稳定。相关 EEG 工作尚未检索确认。