在特征协方差零空间中训练网络以实现持续学习

基于摘要分析。本文研究连续学习多个任务时的灾难性遗忘，提出 Adam-NSCL：将候选参数更新投影到历史任务特征的近似零空间，以平衡保留旧任务能力的稳定性与学习新任务的可塑性。原研究对象是图像分类持续学习，而非 EEG 或 BCI。 机制上，作者提出分别对应稳定性与可塑性的两个数学条件，并据此约束顺序任务的参数更新。候选更新可由 Adam 生成；对每个线性层，利用历史任务输入特征的未中心化协方差矩阵进行奇异值分解，得到近似零空间。该矩阵可在每个任务学习结束后增量计算。摘要未说明零空间截断阈值、具体投影公式及存储和计算开销，相关实现条件尚未验证。 作者报告，在 CIFAR-100 和 TinyImageNet 的持续学习评估中，该方法优于或匹配当时的先进持续学习方法，并对各线性层近似零空间的合理性进行了经验验证。摘要未给出任务划分、类别增量或任务增量设置、推理时是否提供任务身份、具体基线及指标数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能用于 EEG 跨会话顺序适应，尝试在吸收新会话信息时减少旧会话能力退化。其依赖可分解的层输入特征二阶统计量及明确的顺序任务边界；可复用增量协方差统计和更新投影模块，但需适配 EEG 编码器与会话划分。低信噪比、小样本及通道变化可能使协方差估计不稳，或使保护旧特征的约束阻碍必要适应。一个可证伪的小实验是在同一被试的多会话有标签 EEG 分类中，固定编码器架构与数据划分，比较 Adam 顺序微调和 Adam-NSCL，分别测量新会话表现与旧会话性能下降。已有 EEG 相关工作尚未检索确认。