基于超网络的持续学习中的知识交互：冲突与组合

基于摘要分析。本文研究预训练 LLM 在基于超网络的持续学习中，如何处理基础模型、参数更新与输入上下文三个来源的知识，重点区分冲突知识的取舍与跨来源知识的多跳组合。其贡献是分析知识来源对预测及内部表征的影响，并据此构造控制模型遵循何种来源的 steering vectors。 方法上，共享超网络根据上下文生成 adapters，使冻结的基础模型无需针对各任务单独更新即可适配。这里的研究对象是 LLM 的知识交互与持续学习，并非 EEG 解码或 BCI；摘要未提供超网络结构、adapter 配置及训练目标的具体信息。 在摘要所述知识冲突评估中，作者报告模型优先遵循上下文，且选择更受知识呈现位置而非内容影响。作者还报告，上下文与 adapter 中的知识会沿与基础模型未受扰动隐藏状态正交的方向改变表征，并据此导出 steering vectors。在多跳推理评估中，作者报告模型无法可靠地组合三个来源的知识，主要失效环节涉及超网络与基础模型、上下文之间的交互。上述结论的适用模型、数据划分、对照条件及量化效果尚未验证，不能据此认定已解决灾难性遗忘。 摘要给出了代码与复现材料地址，但其可用性、实验协议、消融及统计信息尚未验证。该工作可用于理解“选择正确知识来源”与“组合不同来源知识”之间的区别；目前材料未建立这些知识机制与 EEG 信号适配之间的具体对应关系，因此不推导 BCI 有效性，也不提出 EEG 迁移实验。已有 EEG 相关工作尚未检索确认。