重新审视持续表征学习中的监督作用

基于摘要分析。本文研究模型依次学习多个任务时，监督方式与表征迁移能力之间的关系，重点重新审视自监督学习优势是否与多层感知机（MLP）投影头有关。作者报告，在其持续表征学习评估中，加入 MLP 头的监督模型可以优于自监督模型；摘要未给出具体数据集、评估协议及指标，因此不能将这一结论推广为监督学习普遍更优。 核心机制是调整表征学习中的头部结构，而非仅比较有无人工标签。作者从自监督方法常使用 MLP projector 的观察出发，强调该模块对连续任务间特征迁移能力的作用。摘要未说明投影头结构、损失形式、训练策略，以及评估时使用哪一级特征；是否控制编码器、训练预算和标签可用性也需查阅正文。实验协议、消融及统计信息尚未验证。摘要称代码已在 GitHub 提供，但材料未提供仓库地址，复现条件尚待核对。 平台推测（待验证）：若 EEG 持续学习需要按被试或会话顺序更新编码器，且已有任务标签，这项工作可用于检验“监督方式的收益是否被投影头配置混淆”这一假设。可复用的是监督模型增加 MLP 头的对照思路；EEG 输入编码、任务定义及连续更新流程仍需改造。低信噪比、跨被试分布差异和小样本可能使头部过拟合，原领域结果不等于 BCI 有效性。一个可检验的小实验是在固定 EEG 编码器、训练预算及任务顺序的条件下，对比带与不带 MLP 头的监督学习，并加入结构匹配的自监督基线，分别评估旧任务保持与新任务迁移；这是平台提出的验证方案，不是论文已报告的实验。已有 EEG 相关工作尚未检索确认。