模仿 oracle：面向类增量学习的校准模型

基于摘要分析。本文研究类增量学习（class incremental learning，CIL）与联合训练（文中称为 oracle）的差异，提出 imitating the oracle（ItO），通过特征校准和权重校准改善增量学习中的遗忘问题。原研究对象是通用 CIL，而非 EEG 或 BCI；所给材料也不足以将其归为状态空间模型方法。 机制上，作者从特征空间与权重空间两个角度分析 CIL 与联合训练的差异：特征校准引入偏差补偿，以维持旧类别的决策边界；权重校准采用遗忘感知的权重扰动，以提升可迁移性并减少遗忘。摘要未提供偏差的估计方式、扰动的构造规则、损失函数或训练流程，因此不能据此判断两类校准的具体实现及计算成本。 作者报告，在其开展的实验中，ItO 能显著且一致地改善已有先进方法的性能。但材料未列出数据集、类别增量顺序、数据划分、对照方法和指标数值，无法核对改善幅度或跨协议稳定性；实验协议、消融及统计信息尚未验证。复现需进一步取得完整方法说明，并确认旧类数据的可用性、存储预算及 oracle 对照设置。 平台推测（待验证）：若 EEG 分类系统需要逐步加入新的任务类别，旧类别边界变化与遗忘可能构成机制上的对应问题；这并不等同于跨被试或跨会话域偏移。假设可复用其双空间校准思路，但需适配 EEG 特征表示和类别增量协议。低信噪比、被试差异、通道变化及小样本可能使偏差估计不稳定，也可能使权重扰动损害原有判别能力。一个可检验的小实验是在固定被试、通道和测试集的 EEG 类别增量设置下，对比原增量基线、加入 ItO 的版本与联合训练参照，分别检查旧类保持和新类学习效果。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。