通过可学习漂移补偿实现无样本回放的持续表征学习

基于摘要分析。本文研究从较小首任务开始、骨干网络从头训练且不保存历史样本的类别增量学习，核心问题是持续更新表征后，旧类别原型与新特征空间发生错位。作者提出 Learnable Drift Compensation（LDC），通过学习漂移补偿缓解这一问题，并将其用于监督及半监督持续学习。 机制与贡献：作者对原型式持续学习的分析认为，所考察情形中的遗忘并非源于特征提取器判别能力下降，而可能通过修正语义漂移得到缓解。LDC 面向持续变化的骨干网络，作者称其可用于监督或无监督骨干，并易于叠加到已有持续学习方法。摘要未交代补偿映射的具体形式、训练目标、所需数据及旧原型的更新流程，这些尚待全文核对。作者还将 LDC 与自监督持续学习方法结合，并声称构成首个无样本回放的半监督持续学习方法；该优先性主张尚未独立核实。 结果与复现：作者报告，在多个数据集的监督和半监督设置下达到当时最优表现，但摘要未提供数据集名称、任务划分、标注比例、对照基线或具体指标，不能据此量化收益或跨协议比较。作者提供了代码链接；实现细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 类别增量系统采用持续更新的编码器与类别原型，LDC 的原型坐标补偿思路可能用于处理编码器更新造成的原型错位。可复用方向是补偿模块，需改造或核对 EEG 编码器接口、补偿训练的数据依赖及样本保存约束。EEG 的低信噪比、小样本及跨被试、跨会话变化可能同时改变类分布与判别结构，未必能由原型补偿解决。一个可证伪的小实验是在固定被试内类别增量协议、相同编码器和训练预算下，对比加入与不加入 LDC 的旧类性能及原型错位程度，并保持相同的无历史样本回放约束。已有 EEG 相关工作尚未检索确认。