面向无样本类增量学习的表征鲁棒性与特征扩展

基于摘要分析。本文研究历史数据不可访问时的无样本类增量学习，提出通过增量训练阶段移除 BN 层和混合旧类原型，缓解灾难性遗忘并平衡模型的稳定性与可塑性。这里的“无样本”指不保存历史样本，方法仍保留类别原型，并非不使用历史类别信息。 核心机制包括两部分：其一，作者基于对 batch normalization（BN）影响表征学习的探索，提出在增量训练阶段移除 BN 层（RBNL），以提高表征稳定性；其二，通过 prototype mixing（PM），随机线性组合旧类原型，生成带有复合标签的混合原型，用于微调全连接层。两者分别面向表征稳定性和分类决策边界维护。具体原型计算与更新规则、复合标签形式、移除 BN 后的参数处理及训练损失尚未验证。 作者报告，在 CIFAR-100、TinyImageNet 和 ImageNet 三个基准数据集上的实验支持该方法平衡稳定性与可塑性，并优于所比较的先进方法。摘要未提供具体指标、增量阶段划分、初始类别数或对照结果，因此不能量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 分类中新增类别且不能保留历史试次的情境，而非一般的跨被试或跨会话适应。可复用的是类别原型存储与特征空间混合，需改造 EEG 编码器及归一化处理。假设旧类原型足以代表类别结构，PM 才可能有效；低信噪比、被试差异、通道变化及小数据可能使原型失真，移除 BN 也可能改变训练稳定性。可在固定被试与通道配置的 EEG 新类别增量协议下，对照基线、仅 RBNL、仅 PM 和二者联合，分别检查旧类保留与新类学习表现。已有 EEG 相关工作尚未检索确认。