清醒—睡眠巩固学习

基于摘要分析。本文研究视觉分类中的持续学习，提出 Wake-Sleep Consolidated Learning（WSCL），借鉴互补学习系统（CLS）理论及清醒—睡眠阶段，将新知识学习、旧知识巩固和面向未来知识的特征探索组织为交替过程；其主要研究对象是深度神经网络的视觉持续学习，而非真实睡眠信号或 BCI。 在清醒阶段，模型接收感官输入并更新表征，通过动态参数冻结维持稳定性，同时将情景记忆存入短期临时记忆。睡眠阶段分为 NREM 与 REM：NREM 使用短期、长期记忆中的样本回放巩固权重，并通过突触可塑性机制强化重要连接、弱化不重要连接；REM 则引入此前未见的逼真视觉经验，通过 dreaming 探索潜在特征空间，为后续学习作准备。摘要未交代这些新视觉经验的具体来源或生成方式，也未给出冻结规则及损失函数。 作者报告，在 CIFAR-10、CIFAR-100、Tiny-ImageNet 和 FG-ImageNet 的持续视觉分类评估中，WSCL 均优于所比较的基线及既有工作；作者还报告各处理阶段均有作用，且 dreaming 对实现正向迁移（FWT）重要。摘要未提供具体指标、增益、任务序列、数据划分或记忆预算，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核对。 平台推测（待验证）：可检验的迁移假设是，参数冻结与记忆回放可能有助于缓解 EEG 跨会话持续更新中的遗忘。可复用的是阶段调度与记忆管理思想；视觉 dreaming 模块需改为符合 EEG 时空结构、任务条件及生理约束的经验构造机制。该机制依赖顺序到达的训练数据及可回放记忆，具体监督方式与规模要求尚未验证。EEG 的低信噪比、通道变化、跨被试差异及小样本条件可能使冻结固化伪相关，或让构造经验偏离真实分布。可先在固定被试、固定通道的跨会话标注数据上，以相同记忆预算比较仅回放、回放加冻结及完整阶段策略，检验历史会话性能与新会话适应是否同时改善。相关 EEG 工作尚未检索确认。