CKDF-V2：有效缓解小记忆持续学习中的表征偏移

基于摘要分析。本文研究小记忆持续学习中，新旧数据分布差异导致的表征偏移与灾难性遗忘，以及旧类回放样本有限造成的类别不平衡。作者提出 CKDF-V2，以特征增强校准（FBC）和分块知识蒸馏（BWKD）构成两阶段训练框架，扩展原有 cascaded knowledge distillation framework（CKDF）。 FBC 首先训练一个扩展模块，学习包含新旧类别的全部类别，以发现原模型遗漏的关键特征；随后训练 FBC network（FBCN），利用这些特征校准旧表征。作者认为，补充有助于区分新旧类别的信息可增强表征的可迁移性，从而缓解表征偏移。BWKD 则依据类别频次将 softmax 层划分为若干块，并分别进行蒸馏，以应对新旧类别样本量失衡。具体损失形式、模块结构及两阶段训练细节尚未验证。 作者还将框架与 task-token expansion 方法结合，形成基于 vision transformer（ViT）的持续学习方法。作者报告，CNN 与 ViT 版本在多个持续学习基准上均取得有利结果；摘要未给出基准名称、记忆预算、任务划分、对照方法或指标数值，无法据此判断提升幅度。实验协议、消融及统计信息尚未验证，复现还需核对回放样本选择、类别频次分块规则与额外训练开销。 平台推测（待验证）：其机制可能适用于具有离散类别、顺序到达数据及有限旧样本回放条件的 EEG 分类持续学习，但原文并非 EEG/BCI 验证。可复用的是旧表征校准和分块蒸馏思路，需改造 EEG 编码器及适配通道布局；低信噪比、被试差异和小样本可能使扩展模块学到非稳定特征。一个可证伪的小实验是在固定 EEG 类增量顺序、回放预算与骨干网络下，对照原 CKDF、仅 FBC、仅 BWKD 和完整 CKDF-V2，检验旧类性能保持是否改善，并记录新类性能与计算开销。已有 EEG 相关工作尚未检索确认。