Hebbian 持续表征学习

基于摘要分析。本文研究任务顺序到达、独立同分布假设不再成立时的持续表征学习，重点关注不依赖监督信息构建表征的场景。作者将稀疏神经网络与 Hebbian 学习原则结合，提出 HebbCL，作为通常采用梯度下降训练的神经网络模型的一种替代方案。 核心机制是利用 Hebbian 学习与稀疏网络构建表征，但摘要未给出具体权重更新规则、稀疏性实现方式及任务切换处理机制。作者认为该学习方式产生的权重易于解释，并提出其可能适用于安全或医疗等重视可解释性的领域；这一应用价值仍需具体评估支持，不能等同于临床验证。 作者报告，HebbCL 在 MNIST 和 Omniglot 的无监督学习设置中表现有效，并在适配至监督场景后，在类别增量学习中取得有前景的结果。摘要未提供量化指标、任务序列、数据划分或对照基线，因此无法判断性能优势、遗忘程度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 流中的分布变化视为持续表征学习问题，HebbCL 的无监督更新机制可能具有研究价值，但原文研究对象是图像数据，并非 EEG 或 BCI。可考虑复用稀疏表征与 Hebbian 更新思想，同时改造 EEG 时序输入及归一化模块；低信噪比、通道变化和跨被试差异可能使更新追随伪迹而非稳定任务信息。一个可证伪的小实验是在固定通道的跨会话 EEG 序列上，以相同输入和数据划分比较 HebbCL 与匹配的梯度训练基线，分别评估新会话表征质量及旧会话性能保持情况。该迁移假设不属于原文已验证结果，已有 EEG 相关工作尚未检索确认。