面向类别增量学习的循环网络扩展

基于摘要分析。本文研究视觉类别增量学习（CIL）中的网络扩展（NE），提出 recurrent NE（RNE）：通过连接不同任务的专家模块，让新任务专家利用既有专家传递的特征进行调整，旨在缓解特征扩散、参数增长、特征混淆与分类器偏置。 机制上，先前任务专家通过共享模块顺序传递特征，新任务专家基于接收的特征进行调整，而非重新提取这些特征；作者认为这有助于聚焦关键区域并避免特征扩散。为控制模型规模，RNE 用轻量专家替换额外任务专家；此外，利用解耦分类器缓解特征混淆，并通过伪特征生成校正分类器偏置。摘要未说明共享模块结构、轻量化方式、伪特征生成过程或具体损失。 作者报告，在 CIFAR-100、ImageNet-100、Food-101 和 ImageNet-1K 的常规及挑战性 CIL 设置中，RNE 达到 SOTA 表现，并称压缩后参数量显著减少、性能几乎不变。摘要未给出具体指标、数值、任务划分及对照基线，因此这些结论尚不能用于量化比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移假设是，任务专家间的特征复用可能有助于 EEG 新类别持续学习，但原论文依赖视觉类别增量任务，不能据此推断跨被试或跨会话有效。可考虑复用专家连接、解耦分类与偏置校正思路，EEG 时空特征提取及增量任务定义则需改造。低信噪比、通道变化和小样本可能使顺序特征传递累积误差，伪特征也可能偏离真实分布。一个可证伪的小实验是在固定被试、固定通道的 EEG 类别增量划分下，控制参数与回放预算，对比独立专家扩展和 RNE 式连接，检验旧类遗忘与新类识别表现；已有 EEG 相关工作尚未检索确认。