用于高效流学习的可调组合式特征回放

基于摘要分析。本文研究视觉物体分类中的在线流学习：模型按时间顺序学习不重复的视频帧，容易在接触新刺激时遗忘旧知识。作者提出持续学习算法 Compositional Replay Using Memory Blocks（CRUMB），通过组合可复用的特征部件重建并回放历史刺激的特征，以降低灾难性遗忘及存储开销。 机制上，CRUMB 将可训练、可复用的“memory block”向量拼接为卷积神经网络中的特征图张量，并存储重建各刺激所需的 memory block 索引，以供后续任务回放。作者认为，这种重建机制使模型更关注物体形状而非图像纹理，同时为训练样例提供共享的特征级基础，从而稳定流学习。摘要尚不足以核对这些机制解释对应的消融与统计证据。 作者报告，相比其余设置相同、存储并回放原始图像的算法，CRUMB 表现更好，而存储占用仅为其 3.6%。作者还报告，在 7 个数据集上与 13 种竞争方法进行压力测试，并通过改造已有数据集引入 2 个流学习基准；相较文中所称的最先进方法，CRUMB 使用其 3.7–4.1% 的存储和 15–43% 的运行时间，更有效地缓解遗忘。摘要未列出各数据集、具体性能指标、比较方法及资源测量条件，上述比例不能脱离相应协议解读；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可组合特征回放或可用于存储受限的 EEG 持续学习，但其原始机制依赖视觉卷积特征及可复用局部结构，形状与纹理偏置不能直接对应 EEG。可复用部分是特征部件库与索引回放，需改造 EEG 编码器及时间、通道结构的重建方式；低信噪比、跨被试差异、通道变化和小数据可能导致部件库保留噪声或丢失判别信息。一个可证伪的小实验是在按时间排序的 EEG 跨会话序列中，固定编码器和存储预算，对比原始片段回放与组合特征回放，评估新会话性能及旧会话遗忘程度。相关 EEG 工作尚未检索确认。