面向持续对象中心学习的 Slot Attention 因子级同质性

基于摘要分析。本文研究对象中心学习（Object-Centric Learning，OCL）模型能否持续学习对象表征，核心贡献是分析 Slot Attention 的因子级同质性（factor-wise homogeneity），并据此提出 Decoder only Post Replay，以支持因子状态逐步扩展的持续学习。 作者报告，Slot Attention 会将潜在表征组织为较小且相互分离的区域，各区域内部保持相同的因子状态；这一现象不仅出现在已训练数据上，也出现在包含未见因子状态的后续数据上。原文以新形状为因子状态扩展的例子，但未提供具体数据集、状态划分或同质性的定量定义。 方法上，Decoder only Post Replay 冻结编码器与 Slot Attention，将其作为生成因子级同质表征的模块，并在新任务训练结束后仅微调解码器。摘要未说明回放样本来源、存储方式、损失函数及各阶段训练细节，不能仅凭方法名称推断其回放机制。作者另提出用于持续对象中心学习的验证与分析环境，并将其定位为后续研究的基线；摘要没有提供性能数值。实验协议、消融及统计信息尚未验证，尤其需要核对同质性的度量、未见状态的构造，以及持续学习收益与遗忘程度的评估方式。 平台推测（待验证）：若 EEG 表征能够形成对应稳定因素的潜在区域，冻结表征模块、仅调整解码器的策略可能用于研究持续更新中的表征保留。但原研究依赖对象及因子状态逐步扩展的结构，不能直接等同于 EEG 的跨被试或跨会话变化；对象槽位及其训练目标需要重新设计，低信噪比、通道差异和小数据也可能使潜在区域不再稳定。一个可证伪的小实验是在固定 EEG 任务与明确会话划分下，比较冻结表征后仅微调解码器与全模型微调的新旧会话性能，同时检查潜在区域是否保持稳定。该实验属于迁移假设，已有 EEG 相关工作尚未检索确认。