持续学习：快与慢

基于摘要分析。本文研究深度神经网络的持续学习问题，受神经科学中互补学习系统（CLS）理论启发，提出 DualNets，以快速学习系统获取任务特定表征，以慢速学习系统积累任务无关的通用表征。研究对象是通用持续学习及视觉任务，并非 EEG 或 BCI 实验。 机制上，快速系统通过监督学习获得特定任务的模式分离表征，慢速系统通过自监督学习（SSL）学习通用表征，框架再整合两类表征以支持持续学习。摘要未交代表征整合方式、具体损失、数据保留策略及更新流程，不能据此推断其网络结构或是否使用回放。 作者报告，实验覆盖标准离线、任务已知设置，以及在线、无任务信息场景。在包含互不相关且视觉图像差异较大任务的 CTrL benchmark 上，作者报告 DualNets 与已有最先进动态架构策略具有竞争力，但摘要未提供具体指标、数值及资源开销。作者还报告开展了针对有效性、稳健性与可扩展性的消融研究；实验协议、消融细节及统计信息尚未验证。 平台推测（待验证）：双系统分工可能为 EEG 持续学习中的跨会话漂移与旧任务知识保留提供机制假设。可复用的是任务特定监督学习与通用自监督表征的分工；需改造 EEG 编码器、自监督目标及两类表征的整合方式。其依赖可顺序到达的数据、快速系统的监督信号，以及足够支持自监督学习的数据；低信噪比、被试差异、通道变化和小样本可能使通用表征学习到干扰因素。可先在固定通道的 MI 跨会话序列上，与相同数据访问及存储预算的单系统基线比较新会话 Accuracy 和旧会话性能下降，检验分工是否有效。已有 EEG 相关工作尚未检索确认。