学习而不覆盖：面向持续学习的结构化知识融合

基于摘要分析。本文研究图像分类中的类增量学习，提出 Knowledge Fusion Network（KFN），通过新颖性门控的结构扩展缓解灾难性遗忘，而非仅在固定共享参数容量内协调新旧任务。核心贡献是将新任务获取与知识整合解耦，再按任务新颖性分配专用通道容量。 机制上，每个新任务先由独立的轻量 specialist network 学习，摘要给出的单个网络规模为 2.8M 参数；随后通过 Structural Fusion Module 融入全局模型。作者结合通道空间分离与分阶段梯度解冻保护已整合知识。新颖性分数的定义、通道分配规则、具体训练目标与推理时任务信息需求尚未验证。 作者报告，在十任务 Split CIFAR-100 协议下，KFN 的最低任务 Accuracy 为 11.94%，第十任务 Accuracy 为 71.16%；遗忘指标为 57.92%，比 Replay 低约 15.5 个百分点。这里最低任务 Accuracy、第十任务 Accuracy 和遗忘指标并非同一量，不能混作整体分类效果。作者另报告，CIFAR-100 与 EuroSAT 上的类增量保留指标分别为 72.7% 和 42.5%，对应最佳基线为 29.6% 和 0.94%；该保留指标的定义及具体评估划分需查正文。 资源方面，作者报告每步增加相当于基础模型参数量 25% 的容量；十任务下总参数量为 28.1M，对照朴素主干复制方案的 112.0M，约为其 25.1%；相对完整重训练，峰值 GPU 显存降低 37.1%。这些比较采用不同资源参照，尚不能据此认定 KFN 在固定容量或等计算预算下更优。实验协议、基线配置、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 类增量任务具有可稳定估计的新颖性，该结构隔离机制可能帮助减少新增类别对旧表征的干扰；可复用模块是独立任务学习与结构融合，需改造 EEG 编码器和新颖性估计。低信噪比、跨被试或跨会话漂移可能被误判为新知识，导致无效扩容，小数据也可能使 specialist 过拟合。可在固定被试与会话的 EEG 类增量设置中，对比新颖性门控扩容和等参数预算的固定扩容，联合测量旧类保留、新类 Accuracy 与容量增长。已有 EEG 相关工作尚未检索确认。