具有持续表示公平性的无监督终身学习

基于摘要分析。该研究关注无监督终身学习中，目标标签与敏感人口属性的伪相关如何使连续到来的任务产生群体决策偏差，提出 Sustaining Fair Representations in Unsupervised Lifelong Learning（FaRULi），通过调整任务学习顺序与积累回放数据，维持表示的公平性。原论文的主要研究对象是跨任务分布变化下的公平表示学习，而非 EEG 或 BCI。 核心机制是维护任务缓冲区，依据任务公平表示的接近程度重新安排学习顺序：先学习公平表示较接近的任务、积累去偏知识，再回访人口属性分布差异较大的任务。此时，学习器可利用从已学习任务积累的、更大且人口模式更多样的回放数据，支持后续公平表示学习。摘要未明确公平性的数学定义、表示距离、任务排序规则、训练目标，以及敏感属性在训练和推理阶段是否可用。 作者报告，理论结果与基准数据集实验支持 FaRULi 在无监督任务序列中兼顾公平性与决策准确性的潜力；摘要未提供数据集名称、任务划分、对照基线、公平性指标或具体数值。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现内容与可复现性尚未核验。 平台推测（待验证）：若 EEG 连续学习任务包含可用于评估的敏感人口属性，该机制可能用于检验跨被试或跨会话适应过程中的群体性能差异，而不能直接视为已验证的 BCI 改进。可复用部分是任务缓冲、顺序调度与回放；需改造 EEG 表示和公平性评估。低信噪比、小样本及通道差异可能使表示距离失真，且任务重排可能不适合必须即时处理的数据流。一个可检验的小实验是在相同 EEG 编码器、训练预算与回放容量下，对比到达顺序学习和相似性重排，分别报告任务性能与预先定义的群体差异指标。已有 EEG 相关工作尚未检索确认。