CSTS：探索用于少样本学习的类别特异与任务共享嵌入表示

基于摘要分析。该研究面向少样本学习（FSL）中的对象分类，试图缓解样本级表示跨任务泛化受限、任务级信息聚合又可能削弱类别特征的问题。CSTS 联合学习类别特异与任务共享嵌入，以兼顾类别可分性和任务上下文。 在类别层面，方法借鉴粒计算思想，将语义相近的类别聚类为层次类别结构，并以结构引导的对比学习增大类间距离，着重学习相似类别之间的区分信息。在任务层面，方法使用层次图神经网络，由粗到细传递任务共享信息，基于任务内所有样本对目标样本进行层次化推断。摘要未说明两类表示的具体融合方式、损失形式及任务内样本的标签可见性。 作者报告，在四个基准数据集上的实验显示，该模型相较若干当时先进模型具有优势；摘要未提供数据集名称、任务配置、指标、具体数值及对照模型，因而尚不能判断收益大小与适用边界。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 少样本分类具有可稳定估计的类别相似结构，该设计可能用于兼顾相近类别的可分性与任务上下文共享。可借鉴的是结构引导对比学习和分层信息传递；需要改造的是 EEG 特征编码、类别层次的估计方式及图节点与边的定义。低信噪比、小样本及跨被试、跨通道差异可能使类别层次不稳定，任务聚合也可能传播噪声。一个可证伪的小实验是在固定 Cross-subject 划分与标注预算下，对比同一 EEG 编码器的基线、仅类别结构、仅任务共享及二者联合版本，检验收益是否稳定，并检查类别结构是否仅依赖训练数据构建。已有 EEG 相关工作尚未检索确认。