面向在线持续学习的等角表征学习

基于摘要分析。本文研究在线持续学习中因快速模型更新、训练不足（如单轮训练）而产生的欠拟合问题，提出利用 neural collapse（神经坍塌）现象约束表征空间的方法，使模型在有限训练条件下更好地拟合流式数据。原论文的主要研究对象是图像在线持续学习，而非 EEG 或 BCI。 核心机制是在表征空间中诱导单纯形等角紧框架（simplex equiangular tight frame，ETF）结构，并结合 preparatory data training（预备数据训练）与表征空间残差校正。摘要未展开这两个模块的具体实现、损失函数及更新流程，因此尚不能判断其额外计算开销、存储需求与适用条件。 作者报告，在 CIFAR-10/100、TinyImageNet、ImageNet-200 和 ImageNet-1K 上，方法在不相交数据设置及 Gaussian 调度的连续、无边界数据设置等在线持续学习场景中优于所比较的先进方法。摘要未提供具体指标、数值、基线名称或数据划分，不能量化优势或进行跨协议比较。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但实现细节与复现条件尚未核验。 平台推测（待验证）：假设 EEG 分类任务具有相对稳定的类别语义，ETF 类别几何约束可能用于检验流式更新中的表征欠拟合问题；可尝试复用表征约束与残差校正思路，但需适配 EEG 编码器、通道配置及会话漂移。图像领域结果不等于 BCI 有效性，EEG 的低信噪比、跨被试差异和小样本条件可能使理想化类别结构不适配真实分布。一个可证伪的小实验是在固定 EEG 流式划分、单轮更新及相同计算与存储预算下，对照基础持续学习方法与加入上述模块后的分类表现、遗忘和更新耗时。已有 EEG 相关工作尚未检索确认。