用于持续学习的原型引导记忆回放

基于摘要分析。本文研究文本分类持续学习中因分布变化引发的灾难性遗忘，提出动态原型引导记忆回放模块（PMR），以合成原型表示知识并指导回放样本选择，目标是仅保存少量样本仍能保持较好性能。 机制上，PMR 被整合进 online meta-learning（OML）模型，以支持高效知识迁移。其关键思路不是单纯增加历史样本存储，而是利用原型指导有限记忆中的样本选择；摘要未说明原型如何生成与更新、样本选择准则、损失函数或元学习训练流程，这些实现细节尚未验证。 作者报告，在持续学习文本分类基准数据集上，该方法在 Accuracy 和效率方面优于所比较的方法，并考察了训练集顺序对持续学习表现的影响。摘要未列出数据集名称、具体基线、存储预算、效率定义及数值结果；实验协议、消融及统计信息尚未验证，因而不能据此判断收益大小或不同设置下的稳定性。 平台推测（待验证）：若将其用于跨会话 EEG 分类的顺序学习，原型引导回放可能有助于在有限存储下保留历史会话信息，但原论文的主要研究对象是文本分类，并未提供 EEG/BCI 有效性证据。可复用的是回放样本选择思路，需改造的是 EEG 特征表示、原型更新和任务序列定义；其适用性还取决于历史样本及相应监督信息能否保留。低信噪比、通道变化和小样本可能使原型偏离有效类别结构。一个可检验的小实验是在固定 EEG 编码器、相同存储预算和跨会话划分下，比较原型引导回放与随机回放的历史会话性能及计算开销。已有 EEG 相关工作尚未检索确认。