面向终身学习的变分自编码器混合模型

研究面向连续学习多项任务时的表示学习问题，提出由多个变分自编码器（VAE）专家组成的终身学习混合模型 L-MVAE，通过专家复用与组件扩展适应新任务。基于摘要分析，尚未取得论文全文。 核心机制是最大化各组件证据下界的混合目标 MELBO，以端到端方式联合训练专家。混合系数控制各专家对全局表示的贡献，系数从 Dirichlet 分布采样，其参数在终身学习过程中通过非参数估计确定。作者报告，模型能够较快学习与既有任务相似的新任务，并在面对全新任务时增加组件；训练后可根据输入样本自动选择相关专家，推理时仅使用一个专家。作者据此报告内存与计算开销方面的收益，并展示了不同任务数据域之间的联合潜空间插值及解耦表示学习能力。摘要未提供数据集、任务序列、对照基线或量化指标，实验协议、消融及统计信息尚未验证；训练阶段的存储需求、专家数量增长及路由开销也需核对。 平台推测（待验证）：其专家复用与动态扩展机制可作为 EEG 跨会话分布变化研究的候选思路，但原论文主要研究对象是通用终身表示学习，并未在所给材料中验证 EEG 或 BCI。迁移假设是，不同会话间存在可复用的潜在结构，专家选择能够区分可复用变化与需要新增组件的变化。VAE 混合目标及专家选择机制可能复用，输入编码、重建分布和通道对齐则需适配 EEG；摘要未明确任务边界、监督需求及训练规模。低信噪比、被试差异和小样本可能导致专家选择不稳定或组件过度增长。可在固定通道的 EEG 数据上按会话顺序学习，对比单一 VAE 与 L-MVAE，在相同数据访问和资源预算下检验既有会话重建性能的保持程度、新会话适应情况、组件数量与推理成本。相关 EEG 工作尚未检索确认。