灾难性遗忘具有低秩性：持续适应的函数空间理论

基于摘要分析。本文研究持续适应中旧任务预测为何随新任务训练发生漂移，核心贡献是在 Neural Tangent Kernel（NTK，神经切线核）框架下，以跨任务核描述输出空间干扰，并给出在新任务梯度更新前预测遗忘向量的闭式表达。 机制与适用边界：不同于主要关注参数漂移、回放或蒸馏的视角，该理论直接识别旧任务输出空间中易受影响的方向。作者报告，在冻结骨干、仅训练线性头的参数高效微调持续学习（PEFT-CL）情形中，模型对可训练参数呈线性，因此预测器在数值精度范围内精确；对于非线性适配器或全量微调，该预测器仅是局部 NTK 近似，不应将其精确性推广到这些设置。 作者报告，同一表达揭示遗忘集中于少量旧任务 NTK 特征模态，并在冻结线性头条件下导出易受影响方向秩的 Kronecker 缩放规律。论文据此讨论与既有 NTK-overlap 理论的关系，解释参数空间正则化为何可能无法捕捉输出空间干扰，并提出针对性谱正则化的动机。摘要未提供具体公式、正则化实现、数据集或性能数字；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能对应 EEG 持续适应中新被试或新会话更新损害旧任务预测的瓶颈，但原论文主要对象是通用持续适应，并非已验证的 BCI 方法。迁移依赖可计算的特征或 NTK，以及用于估计跨任务关系的旧、新任务样本；预测器是否需要新任务标签及旧数据保留条件尚需全文核对。可优先复用冻结 EEG 编码器上的线性头分析，任务输出定义和谱估计则需适配。低信噪比、通道变化、被试差异及小样本可能使谱估计不稳定，非线性更新也可能破坏局部近似。一个可检验的小实验是在固定通道的 Cross-session 设置中，更新前预测旧会话输出漂移，再与线性头适应后的实测漂移及其谱集中程度比较。相关 EEG 工作尚未检索确认。