非平稳学习中的数据复用

基于摘要分析。本文研究非平稳在线学习：未知参数在有限个可重复出现的值之间突变，目标是持续跟踪参数，并在状态再次出现时利用历史观测。作者提出 Exposure-Capped Reuse（ECR）算法族，结合在线变化检测、兼容性检验与“污染”控制，刻画数据复用的统计收益及风险。 核心机制是判断历史观测能否与当前状态兼容，并控制不适当复用造成的污染。作者将相关权衡与经典偏差—方差困境联系起来，并报告：在其刻画的适用条件下，ECR 的遗憾随不同参数值的数量而非变化次数缩放；作者还推导了信息论下界，据此建立 ECR 的近极小极大最优性。摘要未给出这些条件、具体遗憾表达式、观测分布假设或检测与检验规则，相关证明与适用范围尚未验证。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若在线 EEG 中存在可重复出现、且可从观测中辨识的统计状态，该机制可能帮助缓解非平稳漂移下历史数据被弃用或错误复用的问题。可考虑复用变化检测、兼容性检验及复用限制框架，但需要将原问题中的参数状态对应到 EEG 特征分布或解码器参数，并核对监督信号的可获得性。低信噪比可能导致状态误判；跨被试、通道变化及小样本可能破坏兼容性判断；连续漂移也不一定满足有限状态突变假设。 一个可证伪的小实验是在固定被试与通道配置的 EEG 时间序列上，构造已知状态重复出现的受控切换，按时间顺序比较不复用、无条件复用与兼容性受控复用，考察重复状态下的预测损失及误检后恢复表现。这仅用于检验迁移假设，不代表真实 EEG 场景已满足理论条件；已有 EEG 相关工作尚未检索确认。