面向无回放持续学习的潜空间提示生成

基于摘要分析。该研究面向按任务序列训练、同时保留既有知识的无回放持续学习，提出 Generating Prompts in Latent Space（GPLS）。其核心贡献是将提示视为潜变量，并为提示生成器提供训练指导，而不只是改进生成器架构。 机制上，GPLS 使用可训练编码器，将任务信息与特征信息通过重参数化技术编码为提示。作者以提示插入隐藏层输出、间接影响分类为依据，显式考虑提示生成的不确定性，并利用与 Mahalanobis distance 相关的证据下界（ELBO）指导训练。摘要未给出潜变量分布、ELBO 的具体表达式、提示插入位置及推理阶段处理方式，这些实现细节尚未验证。 作者报告，GPLS 在多个基准上取得最先进性能，但摘要未列出基准名称、任务序列、划分协议、对照方法或数值，因而无法核对性能优势的幅度及适用条件。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容与复现条件尚未核验。 平台推测（待验证）：其潜变量提示生成机制可能用于探索 EEG 跨会话持续学习中的适应与遗忘问题，但原研究未报告 EEG 或 BCI 验证。迁移假设依赖于可插入提示的 EEG 特征骨干，以及训练时可用的任务或会话信息；可尝试复用编码器、重参数化与 ELBO 指导机制，需改造 EEG 特征接口并核对测试时任务信息是否可获得。低信噪比、小样本和通道变化可能使潜变量估计不稳定，提示生成不确定性也不等同于 EEG 测量噪声。一个可检验的小实验是在固定骨干、相同会话顺序且不回放旧数据的条件下，对照确定性提示生成与 GPLS，比较新会话适应及旧会话遗忘；已有 EEG 相关工作尚未检索确认。