不止满足当下：面向持续学习的预测性语义多样性

基于摘要分析。本文研究持续学习（CL）中的表征应编码哪些信息，重点考察更广泛的预测性语义因素能否帮助模型在顺序学习新知识时保留既有能力。其贡献是从表征属性而非仅从抗遗忘策略出发，考察预测性语义多样性与持续适应表现的关系。 作者在合成数据集和自然图像数据集上开展受控实验。作者报告，在允许模型充分更新的顺序适应条件下，编码更广泛预测性语义信息的表征具有更好的前向迁移表现，并减少遗忘。该结论限定于摘要所述实验条件，不能据此认定其适用于所有持续学习协议。摘要未提供语义因素的具体定义与控制方式、表征获取方法、训练目标、数据集名称、对照基线及定量结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 表征除当前任务的判别信息外，还保留对后续任务有用的多种信号因素，可能有助于跨会话或任务变化下的持续适应。这一假设依赖 EEG 中存在可稳定学习、且具有后续预测价值的因素；原文证据来自合成数据和自然图像，并非 EEG 或 BCI。可借鉴的是控制表征信息范围并观察迁移与遗忘的实验思路，语义因素定义、监督来源和信号编码方式需针对 EEG 改造。低信噪比、被试差异、通道变化及小数据可能使更丰富的表征同时保留无关噪声。 一个可检验的小实验是：在同一 EEG 数据集、固定跨会话顺序和一致模型更新条件下，对比仅学习当前任务信息与额外学习明确辅助信号因素的表征，分别评估新会话适应和旧会话性能保持，并控制训练数据量与模型容量。该建议不是论文已验证结果，相关 EEG 工作尚未检索确认。