DDC：多尺度表征下用于少样本学习的动态分布校准

基于摘要分析。本文研究少样本图像分类中类别特征分布估计不准确的问题，提出 DDC，通过多尺度特征表征与动态分布校准，利用基类样本信息改善新类别的分布估计。 方法包含两个步骤：首先，利用特征描述矩阵与复合度量，刻画特征空间中多个维度及方向的信息，以改进基类与新类别样本之间的相似度计算；其次，根据样本相似度构建动态权重矩阵，自适应选择参与分布校准的基类样本数量及权重。其核心思路是让基类信息的引入随样本关系调整，而非仅优化训练过程或生成更多样本。摘要未提供矩阵定义、复合度量公式、分布假设及训练与推理细节，尚不能判断其具体实现与计算成本。 作者报告，在 miniImageNet、CUB 和 CIFAR-FS 的 5-way-1-shot 与 5-way-5-shot 评估中，DDC 优于所比较的先进方法。摘要未列出具体指标数值、对照方法、数据划分与不确定性；实验协议、消融及统计信息尚未验证。“接近真实无偏分布”是作者对方法目标及效果的表述，其验证依据仍需全文核对。 平台推测（待验证）：该机制可能对应 EEG 少样本解码中特征分布估计不稳定的问题，但依赖已有带标签基类样本、可迁移的特征空间及可靠的样本相似度。可尝试复用动态加权校准模块，需针对 EEG 的时空特征调整表征与度量；低信噪比、通道差异和跨被试偏移可能使相似度主要反映个体或采集条件，导致负迁移。一个可检验的小实验是在固定编码器、固定 Cross-subject 划分和相同目标被试标注预算下，对比不校准、固定基类加权与动态校准的分类表现及重复采样波动。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。