以拟线性复杂度实现协同终身学习的表征集成

基于摘要分析。该研究关注终身学习中如何让新增数据同时改善未来任务与既往任务，而不只是避免遗忘；核心思路是集成在不同任务上独立学习的表征，以支持前向迁移和后向迁移，并将算法运行时间控制在拟线性量级。 机制与贡献：作者将目标从维持旧任务性能提升为利用跨任务知识改善新旧任务。与摘要所述的参考算法相比，其方法强调独立表征之间的互补，而非仅保护已有知识。摘要未说明表征的具体形式、集成规则、训练与推理流程，也未明确拟线性复杂度相对于样本量、任务数或其他变量的定义，这些均需正文核对。 评估证据：作者报告，在模拟数据以及表格、视觉和音频基准场景中均观察到前向与后向迁移，其中包括 CIFAR-100、5-dataset、Split Mini-Imagenet、Food1k、spoken digit 及对抗性任务；作者同时报告，所比较的多种参考算法通常无法同时实现两类迁移。摘要未提供具体指标、提升幅度、任务顺序和数据划分，不能据此比较不同场景的收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同 EEG 会话或被试所学表征具有可复用的互补信息，该机制可能对应持续学习中的遗忘与双向迁移问题。可考虑复用独立表征学习与集成思路，但需改造通道对齐、信号预处理及任务输出接口，并核对旧任务数据或标签的使用需求。低信噪比、跨被试分布差异、通道不一致及小样本可能使集成发生负迁移。一个可检验的小实验是在固定通道和标签空间下，按会话顺序学习 EEG 分类任务，在相同数据访问预算下对比表征集成、单独训练及顺序微调，分别记录旧会话与后续会话的性能变化及计算开销。相关 EEG 工作尚未检索确认。