用于序贯深度学习的高效权重空间 Laplace-Gaussian 滤波与平滑

基于摘要分析。本文研究神经网络序贯学习相关任务时，灾难性遗忘与可塑性损失之间的权衡，提出基于贝叶斯推断的权重空间滤波与平滑框架。主要研究对象是通用持续学习，而非 EEG 或 BCI；作者将模型参数作为非线性高斯状态空间模型的状态，对各任务的权重后验进行近似推断。 在机制上，方法在滤波过程中使用 Laplace 近似，为每个任务构造神经网络权重空间的高斯后验，并利用广义 Gauss-Newton 矩阵（GGN）的结构建立对角加低秩近似，将后验信息用作高效正则化。状态动力学模型用于控制任务之间的参数演化，也可编码任务间分布偏移类型等领域知识。作者称，该形式能够涵盖已有持续学习方法；贝叶斯近似平滑还可在无需重新访问任何数据的情况下改善任务特定模型，但摘要未提供量化结果。 摘要未披露任务序列、数据集、网络规模、监督设置、对照基线或计算开销，实验协议、消融及统计信息尚未验证。复现时需核对动力学模型的具体参数化、GGN 近似的秩与存储需求，以及平滑阶段需要保留哪些任务后验信息。 平台推测（待验证）：若 EEG 解码任务随会话依次到达，且任务间变化可由权重动力学合理描述，该框架可能用于研究跨会话适应中的遗忘—可塑性权衡。可复用部分是后验正则化与滤波、平滑流程；需改造部分是 EEG 解码器及会话间状态转移模型。低信噪比、小样本和通道变化可能使后验曲率估计不稳定，跨被试差异也可能超出所设动力学的表达范围。一个可检验的小实验是固定 EEG 解码器和会话顺序，在相同数据访问条件下比较顺序微调、仅滤波及滤波加平滑，分别记录历史会话保留效果、新会话表现与资源开销。相关 EEG 工作尚未检索确认，以上不构成已验证的 BCI 效果。