强视图用于表征、弱视图用于分类：重新思考类别不平衡半监督学习中的数据增强

基于摘要分析。本文研究类别不平衡半监督学习（CISSL）中，表征学习与平衡分类是否应使用相同强度的数据增强，提出用强增强学习表征、用弱增强估计决策边界的角色分离原则，并以 Weak-View Classifier（WVC）和 Reference-Guided Logit Adjustment（RGLA）实现。 机制上，作者指出，强增强有利于学习不变表征，但相较弱增强，会使特征空间中的类条件均值更明显地向中心收缩，减小类间距离；在类别不平衡下，这会放大决策边界向尾部类别偏移的效应，压缩尾部类别的决策区域。WVC 使用弱增强样本估计最终分类边界，以更好地保留类别均值间距。RGLA 则以类别原型为参照，在未知未标注数据类别分布的条件下，自适应调整 logit adjustment 强度，改善边界估计所用的伪标签。其具体公式、训练流程及原型构建方式尚未验证。 作者报告，在四个 CISSL 基准和多个基础 SSL 算法上，该方法持续改善决策边界估计，并在多种设置中取得有竞争力或更优的表现。摘要未提供基准名称、指标数值、类别不平衡比例及数据划分；实验协议、消融及统计信息尚未验证，尚不能据此判断收益主要来自哪个模块。 平台推测（待验证）：这一机制可能对应类别不平衡 EEG 半监督分类中增强改变类别可分性、尾部类伪标签不稳定的问题。可复用的是表征学习与分类边界估计分离的原则；需改造的是符合 EEG 生理与任务约束的强弱增强，以及低信噪比、小数据下的类别原型估计。跨被试和通道差异可能使原型失真，且强增强可能破坏任务相关信号。一个可检验的小实验是：在固定被试内划分、标注比例和类别不平衡设置下，对比强弱增强共用分类边界与弱视图估计边界，记录 Balanced Accuracy、各类召回率及类均值间距，检验边界收益是否伴随尾部类改善。相关 EEG 工作尚未检索确认。