沿时间之箭学习：用于向后兼容表征学习的双曲几何

基于摘要分析。本文研究模型更新后如何继续使用旧模型生成的存量表征，避免重新处理已存数据。其核心贡献是将新旧嵌入映射到双曲空间，通过蕴含锥约束保持跨代模型的一致性，并依据旧嵌入的不确定性调整对齐强度。 作者认为，现有欧氏空间兼容方法忽视旧模型表征的不确定性，可能迫使新模型复现质量不佳的旧表征，从而限制学习。本文将时间作为刻画模型置信度与演化的自然轴，约束更新后的嵌入位于旧嵌入的蕴含锥内；同时引入鲁棒对比对齐损失，根据旧嵌入的不确定性动态调整对齐权重。摘要未给出不确定性的估计方式、双曲空间映射、锥约束及损失的具体形式。 作者报告，实验支持该方法在实现表征兼容性方面的优势，但摘要未提供任务、数据集、对照基线、评估协议或数值指标，尚无法判断兼容性提升与新模型性能之间的权衡。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 系统在模型更新后仍需检索或复用旧模型生成的特征库，这种兼容机制可能具有对应价值，而非直接解决 EEG 解码问题。该假设依赖可建立新旧模型对应关系的数据或监督信号，其具体训练需求尚需正文确认。可考虑复用双曲约束与加权对齐思想，但须适配 EEG 编码器并校准旧表征的不确定性；低信噪比、跨被试或通道变化可能使不确定性估计失准，小数据下兼容约束也可能阻碍新模型改进。一个可检验的小实验是在固定 EEG 数据划分下比较无兼容约束、欧氏对齐及该方法，同时评估新旧特征混用表现与新模型独立解码性能。已有 EEG 相关工作尚未检索确认。