无样本回放持续学习中用于构建抗漂移空间的 LoRA 相减方法

基于摘要分析。本文研究无样本回放持续学习（Exemplar-Free Continual Learning，EFCL）中的特征漂移与灾难性遗忘，提出抗漂移空间（Drift-Resistant Space，DRS），并通过参数高效微调方法 Low-Rank Adaptation Subtraction（LoRA-）构建该空间，以兼顾旧知识稳定性与新任务学习能力。 核心机制是在处理新任务数据之前，从初始预训练权重中减去旧任务的 LoRA 权重，以建立用于模型训练的 DRS。摘要将其与依赖静态特征或旧任务统计信息的方法区分：后者难以跟踪持续学习过程中的特征空间演变，而所提方法不要求显式特征建模或保留旧任务样本。这里的无样本回放不等于不保存任何历史状态，旧任务 LoRA 权重的保存、组合及更新方式仍需核对全文。作者还引入 triplet loss，主张在稳定特征漂移后增强可塑性；其样本构造、监督需求及与 LoRA- 的具体训练流程尚未验证。 作者报告，该方法在多个数据集上取得领先结果，尤其适用于长任务序列，并提升稳定性、效率与实现简洁性。摘要未提供数据集名称、任务划分、对照基线、性能数值或资源开销，因此无法判断这些结论的幅度与适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 跨会话持续学习中的遗忘确实部分来自模型特征漂移，LoRA 权重相减可能提供一种不保留历史 EEG 样本的适应机制，但这是迁移假设，并非本文已验证的 BCI 效果。可复用部分是预训练权重与低秩更新的相减操作；需改造 EEG 编码器的适配位置、任务边界定义及 triplet loss 的采样策略。低信噪比、通道变化、跨被试差异和小数据可能使任务更新难以分离，相减也可能损伤共享表征。一个可检验的小实验是在固定通道的 EEG 跨会话序列中，统一预训练模型、标签预算与评估划分，比较普通 LoRA、LoRA- 及去除 triplet loss 的版本，同时测量旧会话遗忘与新会话学习表现。已有 EEG 相关工作尚未检索确认。