具有准线性复杂度的协同终身学习表征集成

基于摘要分析。本文研究终身学习如何利用新增任务数据，不仅改善未来任务表现，也提升既往任务表现，而非仅避免遗忘。核心贡献是集成在不同任务上独立学习的表征，并提出基于树和基于网络的两种表征集成算法，以支持前向迁移与后向迁移。 机制上，作者将表征集成区别于决策森林式的决策集成，也区别于多任务学习中相互依赖地学习表征的方式。作者报告，该机制能够以准线性的空间与时间复杂度实现；但摘要未说明复杂度所对应的规模变量、表征组合方式、任务间接口及训练与推理流程，具体条件尚未验证。 作者报告，在涵盖表格、图像、语音及对抗任务的多种模拟与基准数据情境中，两种算法均展示了前向与后向迁移；所比较的参考算法多数未能同时实现两类迁移，部分算法需要二次空间或时间复杂度。摘要未提供具体数据集、任务序列、评价指标或数值，因此不能据此判断收益幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在 EEG 对应问题是跨会话持续学习中新旧知识难以共同受益。可复用的候选模块是独立表征学习与后续集成，但需适配 EEG 通道布局、时序特征及会话分布变化，并核对是否依赖任务身份、旧数据或额外监督。低信噪比、小样本与跨被试差异可能使表征互补性不足，甚至引入负迁移。一个可检验的小实验是在固定标签空间的 EEG 跨会话任务中，按会话顺序学习，比较表征集成、单模型顺序训练及独立训练，分别测量新增会话后的旧会话表现、后续会话表现和资源开销；测试数据应独立保留。已有 EEG 相关工作尚未检索确认。