面向非平稳优化的自适应遗忘：迈向稳健的 EEG 解码

基于摘要分析。本文针对跨被试 EEG 学习中的低信噪比、被试差异与梯度非平稳性，提出张量级自适应优化器 AFOR，将固定的二阶矩衰减系数改为依据局部梯度状态在线估计的动态系数。其贡献在于调整优化器的梯度统计记忆，而非提出新的 EEG 解码网络。 作者认为，Adam/AdamW 的固定二阶矩衰减系数难以适应不同层和不同训练时刻的梯度统计变化。AFOR 包含 Residual-Alignment Signal Scorer（RASS）与 Adaptive Forgetting Controller（AFC）：RASS 汇总局部梯度残差和方向一致性，形成信号质量评分；AFC 通过自参照归一化，将评分映射为有界的逐步衰减系数，并以累积乘积初始化校正处理时变衰减下的统计一致性。摘要未提供具体公式、系数范围及额外计算开销，这些尚待全文核对。 作者报告，在覆盖三个代表性领域的三个 EEG 基准上，采用严格跨被试协议时，AFOR 在所比较优化器中取得最佳平均表现；三个基准的平均测试 Accuracy 相对 Adam 分别提高 3.00%、2.07% 和 4.38%。这里保留摘要的百分比写法，其表示相对增幅还是百分点差值尚未验证，不宜直接换算。摘要未列明基准名称、被试数、解码器、划分细节或绝对 Accuracy。 复现时需重点核对跨被试划分、优化器调参预算、训练步数与随机种子，以及 RASS、AFC 和初始化校正各自的贡献；还需检查低质量梯度下动态遗忘是否稳定。实验协议、消融及统计信息尚未验证，目前不能据此确认 AFOR 对所有 EEG 任务或模型均有收益。