无数据持续模型合并中的零空间过滤：保持透明性，提升保真度

该研究针对无数据持续模型合并（DFCMM）：在不访问任务数据的条件下，将独立微调模型持续融合进同一骨干，同时兼顾旧任务的稳定性与新任务的可塑性。作者提出 NUFILT，以任务向量作为表征子空间的结构性替代，通过零空间过滤和轻量 LoRA 适配实现参数空间更新。以下基于摘要分析，未取得论文全文。 核心机制是作者提出的近似对应关系：任务向量与表征子空间大致对齐。零空间投影器过滤新任务向量中与既有子空间重叠的分量，以保留旧任务响应；LoRA 适配器注入互补的任务特定信号，并以基于投影的代理损失维持既有知识一致性、引入新方向。更新最终以逐层线性方式融合回骨干，作者称不增加最终模型参数或推理成本。作者还给出近似子空间对齐的理论保证，但其假设、误差界和适用条件尚未核对。 作者报告，在视觉与 NLP 基准的无数据持续合并评估中，NUFILT 相比 OPCM 和 WUDI-Merging 将平均 Accuracy 提高 4–7%，遗忘较少，同时缩小与微调的差距并降低计算开销。摘要未明确该增幅是相对百分比还是百分点，也未提供具体数据集、任务顺序、数据划分及分项结果，不能据此进行跨协议比较。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未检查。 平台推测（待验证）：若 EEG 任务模型由同一骨干独立微调、参数可对应且任务向量可获得，该机制可能用于研究跨被试或跨会话模型合并中的旧任务遗忘。可复用部分是任务向量过滤与适配更新融合；需重新验证 EEG 表征与参数子空间的对齐关系，并处理通道配置和任务输出差异。低信噪比、小数据及被试差异可能使任务向量主要反映噪声，导致过滤有效新信息或保留干扰。一个可证伪的小实验是在共享初始化、相同通道配置下，顺序合并少量被试的微调模型，对照直接合并、仅过滤和完整方法，以预先固定的独立测试划分测量旧任务与新任务 Accuracy。此为迁移假设，不是已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。