最优传输驱动的在线增量学习潜在空间塑造方法

基于摘要分析。本文研究数据持续到达、分布显著变化且无法重访历史样本的在线增量学习问题，提出基于 Optimal Transport 的在线 Mixture Model 学习框架 MMOT，以动态更新的多个质心表征类别内的多模态分布，并结合 Dynamic Preservation 维持潜在空间中的类别可分性、缓解灾难性遗忘。 核心机制：作者指出，单个自适应质心难以充分表达类别内多模态结构，而固定的多个质心难以随数据流变化持续调整。MMOT 使质心随新数据增量演化，并在推理时利用这些质心估计未见样本与类别之间的相似性。Dynamic Preservation 用于约束潜在空间、支持表示学习；摘要未给出最优传输的具体构造、质心更新规则、损失形式或保留策略的实现细节，尚需全文核对。 结果与证据边界：作者报告在基准数据集上的实验显示所提方法具有更好的效果，但摘要未列明数据集、数据流构造、对照方法、指标或数值。实验协议、消融及统计信息尚未验证，亦不能据此判断其在不同增量学习设置下的优势是否一致。 平台推测（待验证）：若 EEG 类别内存在随被试或会话变化的多模态结构，动态质心与表示保留机制可能用于研究非平稳数据流下的解码适应，但原领域有效不等于 BCI 有效。可复用候选是质心更新及潜在空间约束；需改造 EEG 特征编码、更新时机与监督接口，尤其应核对 MMOT 对标签可用性和每批样本规模的要求。低信噪比、小样本及通道变化可能使质心追随噪声，保留约束也可能阻碍真实分布变化的适应。一个可检验的假设是：在固定 EEG 编码器、按会话时间顺序输入且不重放历史样本的协议下，动态多质心比单质心或固定多质心更能保持历史类别性能；实验应统一标签可用条件，并分别记录新数据性能和历史类别遗忘。已有 EEG 相关工作尚未检索确认。