动态时间感知的持续用户表征学习

基于摘要分析。本文研究持续学习中的通用用户表征：当任务随时间推进、新物品不断出现时，如何减轻灾难性遗忘，并使先前任务获得的知识适应当前物品分布。作者提出考虑时间推进的评估场景，以及动态时间感知的持续用户表征学习框架 DITTO。 原论文的主要对象是用户建模，而非 EEG 或 BCI。作者指出，既有面向单一任务的用户模型在跨任务泛化与适应方面存在局限；已有持续学习式通用用户表征方法的评估，未充分考虑任务推进过程中新增物品对先前任务物品分布的影响。本文的关键贡献是把任务序列与时间变化共同纳入评估，并将“保留旧知识”和“让旧知识适应当前分布”同时作为框架目标。摘要未披露具体表征结构、损失函数、记忆或更新机制，不能据此认定 DITTO 使用某种特定抗遗忘技术。 作者报告，在其考虑时间推进的评估场景中，DITTO 优于所比较的现有先进方法；但摘要未提供数据集、任务序列、时间划分、基线名称、指标或具体数值，无法判断收益大小及适用边界。实验协议、消融及统计信息尚未验证。摘要提供了源码地址，但实现完整性、运行依赖及复现实验配置仍需核对。 平台推测（待验证）：该时间感知评估思路可能为跨会话 EEG 持续学习提供参考，但用户建模中的新增物品与 EEG 中的会话漂移并不等价，原领域有效不代表 BCI 有效。由于摘要尚未披露 DITTO 的独立技术机制，当前不提出模块迁移或复现实验方案；相关 EEG 工作尚未检索确认。