重新审视持续表征学习中的监督作用

基于摘要分析。该研究关注按任务顺序学习时，监督学习与自监督学习所获得表征的迁移能力，并重新考察自监督方法的优势是否与多层感知机（MLP）投影头有关。作者报告，在其持续表征学习比较中，为监督模型加入 MLP head 后，可以优于自监督模型；摘要未提供具体任务、数据集、评估指标或数值。 机制与比较：论文从自监督表征的迁移优势常被关联于 MLP projector 这一观察出发，重新审视监督信息的作用。其核心比较涉及监督模型增加 MLP head 后的表征质量，而非仅将监督与自监督作为整体范式对比。摘要强调投影头对连续任务间特征迁移性的影响，但尚不能确认 head 的具体结构、损失函数、训练与推理时的使用方式，以及两类方法是否采用一致的数据、训练预算与持续学习策略。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若投影头确能改善连续任务学习中的可迁移表征，该机制可能用于研究 EEG 跨会话或跨被试顺序学习中的表征退化。可复用的是编码器后增加 MLP head 的设计思路；需改造的是 EEG 编码器、任务序列和监督目标。该假设依赖可比的有标签与无标签数据，以及明确的顺序学习协议，低信噪比、通道差异和小样本可能使投影头学习到会话特异信息而非稳定特征。 一个可检验的小实验是在固定 EEG 编码器、数据划分与训练预算下，比较带与不带 MLP head 的监督持续学习，并加入匹配条件的自监督对照，在相同跨会话任务序列上评估当前任务表现、历史任务遗忘及固定协议下的表征迁移能力。此建议不是已验证的 EEG 结果，相关 EEG 工作尚未检索确认。摘要称代码已在 GitHub 提供，但具体仓库、实现细节与复现条件尚未核验。