面向即时类别发现的超语义空间分配驱动哈希学习

基于摘要分析。本文研究 On-the-fly Category Discovery（OCD）：仅利用有限已标注类别的监督，从流式数据中动态识别已知类别与新出现的未知类别。作者提出两阶段框架，先构建 Hyper-Semantic Space，再进行 Assignment-Driven Hash Learning，以应对特征到哈希的级联退化及已知类别对表示空间的过度占据。 核心机制：Hyper-Semantic Space 包含两个几何子空间。Derived Subspace 通过父原型与派生原型的增广描述类内多样性并增强类间区分；Calibrated Subspace 通过跨原型插值施加分布约束，旨在避免表示坍塌。在这一受几何约束的空间中，Flexible Prototype Assignment（FPA）用于建模类内变化和增强类间分离，Binary Hash Regularization（BHR）用于约束紧凑且具区分性的二值哈希表示。摘要未给出具体损失公式、原型更新方式或流式推理流程，相关实现细节尚未验证。 作者报告，该框架作为即插即用模块，在细粒度基准上持续改善现有先进 OCD 方法。材料未提供基准名称、指标、数值或对照设置，不能判断增益幅度，也不能据此推断 EEG/BCI 有效性。实验协议、消融及统计信息尚未验证；复现时需核对已知与未知类别划分、数据到达顺序及哈希压缩前后的性能变化。摘要称代码将在接收后发布，不代表当前已接收或代码已公开。 平台推测（待验证）：若 EEG 流式识别任务确实包含新类别出现，而不只是跨被试或跨会话分布变化，其原型多样性建模与哈希空间约束可能对应类内变异大、已知类别挤占未知类别表示空间的瓶颈。可考虑复用原型增广、FPA 与 BHR，但需改造 EEG 特征提取和流式原型维护；该路径依赖有限已知类别标签，以及足以支持类别原型估计的数据结构与规模，摘要未给出规模要求。低信噪比、通道变化和小样本可能使原型不稳定，也可能将被试差异误判为新类别。一个可检验的小实验是：固定 EEG 特征提取器和数据流协议，比较基础 OCD 方法、加入双子空间以及加入完整哈希学习后的已知类别保持与未知类别发现表现，并单独检查被试变化造成的误发现。已有 EEG 相关工作尚未检索确认。