面向少样本类增量学习的基于特征增广的策略性基础表征学习

基于摘要分析。本文研究少样本类增量学习（FSCIL）：模型在仅有少量新类训练样本时，如何学习新类并保留旧类知识。作者提出特征增广驱动的对比学习框架，通过增广特征向量、分配代理标签及引入自监督对比损失，改善旧类表征的分离，为后续新类提供可区分的表示空间。 机制上，作者指出，现有框架在引入新类时通常冻结此前学习的参数，但已有表征的类间分离可能不足，导致新旧类别重叠。其方法不是仅依赖冻结参数维持旧知识，而是借助特征空间中的增广与代理标签塑造基础表征。摘要未说明特征增广的具体操作、代理标签生成规则、对比样本构造、损失形式，以及增量阶段哪些参数可更新，这些均需查阅全文确认。 作者报告，在 CIFAR100、miniImageNet 和 CUB200 三个 FSCIL 基准上，该框架优于其他方法并达到最先进性能；摘要未提供具体指标、数值、类别划分或增量会话协议，因而尚不能判断提升幅度及比较条件。作者提供了代码入口，但实现、运行条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务确有逐步增加类别且新类标注稀少的需求，该机制可能对应新旧类别表征重叠的瓶颈。可考虑复用特征增广和对比学习思路，但需针对 EEG 的生理语义约束改造增广与代理标签；低信噪比、被试差异、通道变化和小样本可能使代理类别对应噪声而非有效判别结构。一个可证伪的小实验是在固定被试内划分与类别增量协议下，对比同一编码器有无该机制时的旧类、新类及总体 Accuracy，检验是否只是新旧类性能之间的权衡。此为迁移假设，并非本文已验证结果；已有 EEG 相关工作尚未检索确认。