用于兼容表征学习的 λ-Orthogonality 正则化

基于摘要分析。该研究针对检索系统中独立训练或更新后的模型表征不兼容问题，提出 λ-Orthogonality 正则化：在学习仿射变换时施加放松的正交约束，使新模型的潜在空间能够适配旧模型及下游分布，同时尽量保留新模型学到的表征结构。 其机制着眼于两类映射的权衡：仿射变换具有分布适配能力，但可能显著改变原表征；正交变换保留原有几何结构，却受到严格约束、适配能力有限。作者通过放松正交约束连接二者。摘要未给出正则项的数学形式、λ 的定义与选取方式、映射训练所需的监督信号，以及基础模型是否冻结，均需核对正文。 作者报告，在多种架构和数据集上的实验中，该方法保留了模型的零样本性能，并实现模型更新之间的兼容性。摘要未提供具体数据集、划分、对照基线、指标或数值，因此尚不能量化兼容性收益与原表征性能之间的权衡；实验协议、消融及统计信息尚未验证。材料提供了代码仓库地址，但实现细节和复现条件尚未核验。 平台推测（待验证）：假设 EEG 编码器更新后仍需与既有特征库或分类器兼容，可尝试复用这一受约束的映射机制；但检索表征的几何结构不一定适用于 EEG。需核对方法是否依赖成对的新旧模型表征、标签或大规模适配数据，并改造输入与适配协议。低信噪比、跨被试漂移、通道配置变化及小样本可能使映射拟合不稳定，或使几何保持与任务判别性发生冲突。一个可证伪的小实验是：用同一批训练 EEG 构建新旧编码器的配对表征，在严格隔离的跨会话测试集上，对比无映射、仿射映射、正交映射与该正则化映射接入旧分类器后的 Accuracy，并同时检查新编码器自身任务性能是否下降。已有 EEG 相关工作尚未检索确认。