面向极端多类别学习的层次化类别结构构建

基于摘要分析。本文研究大规模图像分类中的层次化类别结构构建，提出统一、动态的框架，将类别相似性与分组划分联合优化，以替代先计算类别相似性、再通过超参数控制层次结构的两阶段策略。 核心机制是以样本相似性替代传统类别相似性，并约束同一原子类别的样本归入同一超类别。作者报告，在其框架内可理论证明样本相似性与类别相似性等价，且能够按样本数量平衡分组；进一步采用基于模块度的划分优化算法，自动确定每一层的分组数量。摘要中“无需超参数”的主张针对层次结构的动态构建，不宜扩展为整个学习流程均无需超参数。 作者报告，在多个图像分类数据集上，所构建的层次结构相较已有方法取得更好的准确率与效率，并因样本数量上的均衡划分而有利于长尾学习。摘要未提供数据集名称、划分协议、具体指标数值及对照方法；理论等价的成立条件、样本相似性的计算方式、效率统计口径、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务具有较多类别且存在可重复的类别相似关系，该方法可能用于构建分类层次，而非直接改进信号表征。可复用的是同类样本约束及层次划分机制，需改造的是适合 EEG 的表征与相似性度量；低信噪比、跨被试差异及通道配置差异可能使分组反映被试或采集条件而非类别，小数据也可能使相似性估计不稳定。可在一个多类别 EEG 数据集上，仅用训练集构建层次，在固定表征、分类器容量与数据划分下，对照平坦分类及两阶段层次构建，检验准确率、推理成本与分组稳定性。已有 EEG 相关工作尚未检索确认。