不仅是对象，还有状态：无遗忘的组合增量学习

基于摘要分析。本文研究增量学习中对对象类别关注较多、对颜色和材质等对象状态建模不足的问题，提出 Compositional Incremental Learning（composition-IL）任务，以及基于提示的 Composition Incremental Learner（CompILer），用于逐步识别不同的状态—对象组合。这里的“状态”指对象属性，并非状态空间模型中的状态。 核心机制包括：采用多池提示学习，保持不同提示池之间的差异性与池内提示的多样性；通过 object-injected state prompting，将对象提示注入状态提示选择过程，以缓解组合边界歧义；再用 generalized-mean 策略融合所选提示，旨在消除提示中学到的无关信息。摘要未交代具体骨干模型、提示池配置、约束实现及融合公式，尚不能判断各模块的独立贡献。 作者将两个现有数据集重新组织为适合 composition-IL 的形式，并报告 CompILer 在这两个数据集上取得最先进性能。摘要未提供数据集名称、增量阶段划分、组合可见性设置、比较基线、具体指标与数值，因此该结论仅能保留为作者报告，不能据此确认其遗忘程度或对未见组合的泛化能力。作者提供了代码与数据入口，但实现完整性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可供 EEG 研究参考的是将复合标签拆分并用条件提示选择处理增量任务的机制，而非将对象属性直接等同于脑状态。若 EEG 任务具有可明确分解、重复观测的标签因素，可考虑复用提示选择与融合模块，但需改造信号编码器及因素定义；低信噪比、被试差异和小样本可能使提示选择不稳定，也可能使标签因素与被试身份混杂。一个可证伪的小实验是在固定被试内划分下逐步加入组合类别，比较完整方法与去除对象引导提示的版本，同时评估旧组合遗忘和新组合识别。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。