CKDF-V2：有效缓解小记忆持续学习中的表征偏移

基于摘要分析。本文研究持续学习（CL）中，新旧数据分布差异引发的表征偏移与灾难性遗忘，以及旧类样本存储受限造成的类别不平衡。作者提出特征增强校准（FBC）和分块知识蒸馏（BWKD），构建两阶段训练框架 CKDF-V2，作为 cascaded knowledge distillation framework（CKDF）的增强版本；主要研究对象是基于 CNN 和 vision transformer（ViT）的持续学习，而非 EEG 或 BCI。 FBC 首先训练扩展模块学习全部新旧类别，以发现旧模型遗漏的关键特征，再训练 FBC network（FBCN），利用这些特征校准旧表征。作者认为，补充的新旧类别判别信息能够提升校准表征的可迁移性，从而缓解表征偏移。BWKD 则按类别频次将 softmax 层划分为若干块，并分别进行知识蒸馏，以应对有限旧类记忆与新类数据之间的不平衡。摘要未给出具体损失形式、两阶段训练细节及分块规则。 作者还将该框架与 task-token expansion 方法结合，形成 ViT 版本。作者报告，CNN 与 ViT 版本在多个 CL 基准上均取得良好结果，但摘要未列出基准名称、记忆预算、任务序列、对照方法或指标数值，不能据此判断提升幅度。实验协议、消融及统计信息尚未验证；复现还需核对旧类样本选择方式、扩展模块训练与推理开销。 平台推测（待验证）：若 EEG 场景涉及类别逐步增加，且可保留少量旧类标注样本，FBC 与 BWKD 可能分别对应表征漂移和新旧类别样本不平衡。可尝试复用校准与分块蒸馏机制，但需改造适配 EEG 的特征提取器，并核对新增类别与原任务的对应关系；跨会话漂移本身不等同于类别增量。低信噪比、被试差异、通道变化及小样本可能使扩展模块学到不稳定特征。一个可检验的小实验是在固定被试与通道的 EEG 类别增量协议下，统一旧类记忆预算，对比基础蒸馏、加入 FBC、加入 BWKD 及二者结合，分别评估旧类遗忘和新类性能。相关 EEG 工作尚未检索确认。