MINGLE：用于测试时持续模型合并的零空间门控低秩专家混合

基于摘要分析。本文研究如何在不访问原始训练数据的条件下，顺序整合独立微调的模型，同时缓解任务间参数干扰、灾难性遗忘及测试分布变化。作者提出 Test-Time Continual Model Merging（TTCMM）任务及 MINGLE 框架，在推理期间利用少量无标签测试样本进行适应与动态模型合并。 核心机制包括三个部分：以参数高效的低秩专家构成 mixture-of-experts 架构，提高对变化分布的适应能力；通过 Null-Space Constrained Gating，将门控更新限制在与先前任务表征正交的子空间，旨在抑制对旧任务的激活干扰并保留既有知识；通过 Adaptive Relaxation Strategy，根据测试时适应中观察到的干扰信号动态调整约束强度，在稳定性与适应性之间取得平衡。摘要未给出专家构造、表征保存方式、零空间计算、适应损失或干扰信号定义，具体实现尚未验证。 作者报告，在标准持续模型合并基准及多种任务顺序下，MINGLE 能减少遗忘、改善泛化，相对既有最先进方法的平均提升为 7–9%。摘要未明确该提升对应何种指标、是相对百分比还是百分点，也未列出基准、基线与数据划分，因此不能据此作跨协议比较。实验协议、消融及统计信息尚未验证。材料提供了代码仓库，但代码内容及复现条件尚未核验。 平台推测（待验证）：若不同被试或会话已有可兼容、独立微调的 EEG 模型，低秩专家与受约束门控可能用于探索持续合并及跨会话分布适应；这依赖兼容的模型参数结构、可比较的任务表征及少量无标签测试数据。专家路由和约束松弛机制可能复用，但表征提取、干扰估计与适应目标需针对 EEG 改造。低信噪比、小样本及通道差异可能使子空间估计或门控更新不稳定。可在固定通道配置的跨会话任务中，比较不适应、无约束门控与完整机制，分别检查新会话性能和旧会话遗忘。该假设不代表已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。