面向广义零样本学习的属性感知表征校正

基于摘要分析。本文研究广义零样本学习（GZSL）中预训练视觉特征提取器难以捕获下游领域细粒度特征的问题，提出 Attribute-Aware Representation Rectification（(AR)²）框架，旨在学习新特征的同时保留原有有用特征。主要研究对象是视觉识别，而非 EEG 或 BCI。 作者将上述困难归因于预训练特征与下游任务之间的领域偏差，并指出直接微调可能引发灾难性遗忘和过拟合。(AR)² 包含两个组件：Unseen-Aware Distillation（UAD）利用已见类与未见类共享的属性文本先验，通过注意力机制识别并保留对未见类别敏感的视觉特征；Attribute-Guided Learning（AGL）通过属性引导的表征学习，使模型关注有用特征，抑制对已见类噪声的拟合。摘要未提供具体损失形式、属性编码方式或特征提取器结构。 作者报告在多个基准数据集上的实验支持方法有效性，但所给材料未列出数据集名称、划分、对照方法及指标数值，无法判断已见类与未见类性能之间的权衡。实验协议、消融及统计信息尚未验证，复现还需核对属性先验来源、微调范围及训练配置。 平台推测（待验证）：若 EEG 零样本任务具备可解释且跨类别共享的语义属性，该机制或可用于缓解特征适配时对已知类别的过拟合。可考虑复用属性条件注意力与蒸馏思路，但需将视觉编码器替换为 EEG 编码器，并验证语义属性是否对应可辨识的神经信号差异；低信噪比、跨被试差异及小样本可能使属性引导失效。一个可证伪的小实验是在固定被试与通道配置下留出部分任务类别，仅使用已见类 EEG 训练，对比普通微调与属性引导适配，并分别评估已见类和未见类表现。该设想依赖可用的类别属性，不能视为已证实的 BCI 收益；相关 EEG 工作尚未检索确认。