开放世界动态提示与持续视觉表征学习

基于摘要分析。本文研究动态开放世界中的持续视觉表征学习，重点是在类别不断变化的数据流中，提升模型对未见测试类别的泛化能力。作者提出新的持续学习设定及 Dynamic Prompt and Representation Learner（DPaRL），将动态提示生成与判别性表征学习联合更新。 在该设定中，后续数据流引入的新类别与此前训练阶段的类别不相交，并且仍与未见测试类别相区分。因此，研究目标不是仅记住陆续出现的训练类别，而是学习能够支持未见类别图像检索的表征。摘要未提供具体数据集、阶段划分及测试类别构造细节。 机制上，DPaRL 在推理时生成动态提示，而不是依赖既有 Prompt-based CL（PCL）方法使用的静态提示池；同时，每个训练阶段共同学习提示生成与判别性表征，而非仅持续优化提示。提示生成的输入、生成器结构、可训练参数范围、损失形式及抗遗忘机制尚未验证。 作者报告，在开放世界图像检索基准上，相较所比较的 SOTA 方法，Recall@1 平均提升 4.7%；摘要未明确该数值是相对增幅还是百分点差值，也未列出各基准结果和平均方式，不能进一步换算。具体对照、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：动态提示与表征联合适应可能为 EEG 持续表征学习提供候选机制，但依赖足以学习稳定表征的数据及训练目标，不能直接视作 BCI 效果。若用于 EEG，需改造输入编码与提示接口，并明确新类别、被试变化和会话变化之间的区别；低信噪比、小样本及通道不一致可能使联合更新放大遗忘。一个可证伪的小实验是在固定 EEG 类别流及独立未见测试类别协议下，比较静态提示池与动态提示，并分别冻结或更新表征，以检验增益来自哪一部分。相关 EEG 工作尚未检索确认。