基于非线性 ICA 的持续表征学习

基于摘要分析。本文研究非线性 ICA 在域持续到达条件下的无监督解耦表征学习：不再要求所有域离线集中可用，而是利用新域逐步细化潜在源的表征，同时保留对既有域的重构能力。 原问题是从观测到的非线性混合中分离潜在独立源。此类方法的可辨识性依赖时间或域索引等辅助信息，而现实场景中可能难以事先获得充分的多域信息。作者报告，其理论分析表明，随着新域加入，可辨识性可从子空间层面增强至逐分量层面；这一结论的分布假设、域差异条件及适用边界尚需核对全文。 方法在新域到达时兼顾两个目标：重构当前域的观测，以及通过梯度约束保留先前域的重构能力。摘要未给出具体网络、损失形式、历史数据访问方式或存储需求。作者报告，在所开展的持续学习实验中，该方法达到与离线联合训练多个域的非线性 ICA 方法相当的性能；数据集、域到达顺序、评价指标、数值结果、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 的会话或被试视为持续到达的域，这种“当前域重构＋旧域能力保持”机制可能对应跨会话或跨被试适应中的遗忘问题。可考虑复用持续更新与梯度约束机制，但需改造观测模型并核对潜在源独立性、混合机制及域索引的适用性；低信噪比、通道布局变化、小样本和被试间源结构差异均可能使原理论条件失效。一个可检验的假设是：在固定通道布局、顺序接入多个 EEG 会话时，相比无约束顺序训练，梯度约束能够减轻旧会话重构性能退化；可同时以离线多会话联合训练为参照，但重构保持不等于 BCI 解码改善。已有 EEG 相关工作尚未检索确认。