BrainNEST：大型 EEG 模型联邦持续学习中的协商式共享与路由记忆

基于摘要分析。BrainNEST 研究预训练大型 EEG 模型（LEMs）如何在数据分散于不同机构、且新任务、采集协议与被试群体持续到来的条件下协作适应，同时保留已有能力。其核心贡献是以证据门控的知识整合机制，协调客户端更新的共享、保留与后续复用；作者将该工作称为针对持续演变 EEG 数据集和任务族开展的首项系统性联邦持续适应研究，此优先性声明尚未独立核实。 机制上，客户端将多尺度通道与频带结构编码为紧凑摘要表征（sketches），服务器据此建立部分跨客户端对应关系。这些结构证据既用于控制本地更新在不同参数块上的贡献，也用于决定更新分配到共享状态还是路由状态。路由参数记忆保存更新，并根据结构与采集条件的兼容性检索参数偏移量，为后续客户端提供初始化。方法关注的不仅是联邦聚合，还包括异构 EEG 数据之间的部分匹配，以及持续适应中知识的选择性积累与复用；具体对应关系算法、门控规则、训练目标和记忆管理方式尚未验证。 作者报告，在覆盖七类 BCI 任务的 14 个数据集及两个预训练骨干上，BrainNEST 改善了适应、旧能力保持及向未见数据集的迁移。摘要未提供具体数据集与骨干名称、指标、收益幅度、对照方法或数据划分，因此不能据此判断其在被试内、跨被试、跨会话或跨数据集协议下的相对优势。 复现时需核对数据集到达顺序、客户端与机构的映射、共享与路由状态的容量、结构兼容性的定义，以及未见数据集评估时允许使用的信息。还应核对持续学习与联邦学习基线、各模块消融、通信和存储开销及统计稳定性；这些实验协议、消融及统计信息尚未验证，不能据摘要认定作者未开展相关实验。