开放世界动态提示与持续视觉表征学习

基于摘要分析。本文研究动态开放世界中的持续视觉表征学习，重点是在训练数据流不断引入新类别时，如何泛化到未见测试类别。作者提出新的持续学习设定及 Dynamic Prompt and Representation Learner（DPaRL），将动态提示生成与判别表征学习结合，用于开放世界图像检索。 任务设定中，后续数据流引入的类别与此前训练阶段类别不相交，同时也与未见测试类别不同。这一区分意味着评估关注的不只是保留已学类别知识，还包括持续训练后对未见类别的表征泛化。具体类别划分、阶段安排及测试数据使用方式尚未验证。 机制上，DPaRL 学习生成推理所需的动态提示，而不是依赖静态提示池；各训练阶段同时学习动态提示生成与判别表征。摘要将其与此前主要持续优化提示的 Prompt-based CL（PCL）方法作对照，但未提供提示生成器结构、损失函数、骨干更新范围或历史数据使用策略，相关实现需查阅全文。 作者报告，在开放世界图像检索基准上，DPaRL 相对所比较的先进方法，Recall@1 平均提升 4.7%。摘要未说明该数值是相对增幅还是百分点变化，也未列明基准名称、各基准结果及平均方式，因此不能进一步量化或跨协议比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 场景具有连续到达的训练数据和需要泛化的未见类别，动态提示与表征联合更新可作为候选机制，但图像检索结果不等于 EEG/BCI 有效性。迁移需要改造信号编码与提示接口，并明确未见类别的监督和检索目标；低信噪比、跨被试差异、通道变化及小样本可能使动态提示不稳定。可先在固定 EEG 编码器与相同类别划分下比较静态提示和动态提示，再检验联合更新表征的增益。已有 EEG 相关工作尚未检索确认。