面向少样本类增量学习的嵌入空间分配与角度—范数联合分类器

基于摘要分析。该研究针对少样本类增量学习（FSCIL）：在每轮仅有少量新类别样本的条件下学习新类别，同时避免遗忘旧类别。作者提出 SAAN，以类别中心引导的嵌入空间分配，为不同增量会话预留空间，并利用角度—范数联合分类器处理样本不均衡。 机制上，作者认为现有虚拟类别占位方法存在新类别与预设虚拟类别不一定对齐的问题；基于余弦相似度的 Nearest Class Mean（NCM）分类器则未充分考虑样本不均衡。SAAN 将特征空间划分为多个子空间，通过预设类别中心引导样本，为每个会话分配专属子空间；同时为各类别建立范数分布，生成角度—范数联合 logits，利用样本不均衡带来的范数差异辅助分类。摘要未给出具体损失、范数分布形式、训练阶段及推理计算细节。 作者报告，SAAN 在所用 FSCIL 实验中达到 SOTA，并可作为插件进一步提升其他 SOTA 方法；但材料未提供数据集、增量划分、样本数、基线或指标数值，无法核对优势幅度与适用范围。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务存在标签语义稳定、类别逐轮增加且新增类别标注稀少的场景，空间预留与联合分类机制可能对应新旧类别干扰及样本不均衡问题。可考虑复用分类头与空间分配思想，但需适配 EEG 编码器；其对基础会话数据规模和后续会话数量的依赖尚待核对。低信噪比、跨被试或通道变化可能使特征范数更多反映噪声与域偏移，而非类别信息。一个可证伪的小实验是在固定 EEG 编码器和同一被试内类增量划分下，比较余弦 NCM、仅空间分配及完整 SAAN 的逐轮新旧类表现，并检查范数与类别、噪声的关系。尚未检索确认已有 EEG 相关工作。