基于嵌入空间分离与紧致化的终身事件检测

基于摘要分析。本文研究终身事件检测中的灾难性遗忘与少量记忆样本过拟合，提出嵌入空间分离与紧致化方法，并利用先前任务知识初始化新任务的可学习参数，以促进前向知识迁移。研究对象是事件检测，并非 EEG/BCI；摘要未明确具体输入模态。 核心机制：已有方法通常在学习新任务时回放存储的旧任务样本。作者认为，仅混合旧记忆与新样本仍可能因新数据特征分布与既有嵌入空间重叠而产生遗忘，同时模型可能过拟合少量记忆样本。所提方法将新数据的特征分布推离先前嵌入空间，并通过记忆校准机制使记忆样本靠近所属原型，增强类内紧致性。摘要未给出具体损失形式、原型计算方式、参数初始化规则或模型结构。 结果与证据边界：作者报告，在广泛实验中，该方法显著优于此前的 SOTA 方法；但摘要未提供数据集、任务序列、记忆预算、对照基线、指标或数值，无法据此判断增益幅度和统计可靠性。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：假设 EEG 持续分类存在可区分的类别原型，并采用带标签的小容量记忆回放，其空间约束与原型校准可能用于缓解顺序任务学习中的遗忘。可复用的是嵌入空间约束和记忆校准思路，需改造的是 EEG 编码器、原型估计及任务定义；低信噪比、小样本、跨被试分布差异和通道变化可能使原型不稳定，而强制分离也可能损害任务间共享信息。一个可检验的小实验是在固定通道、同一被试的顺序 EEG 分类任务中，固定记忆预算与训练条件，比较单纯回放、加入空间分离、加入原型校准及二者联合时的旧任务保持和新任务性能。该迁移假设不代表已证实的 EEG 效果，相关已有 EEG 工作尚未检索确认。