利用跨域潜在同源关系的终身解耦表征学习

基于摘要分析。本文研究分段平稳视觉数据上的无监督终身表征学习，提出 Variational Autoencoder with Shared Embeddings（VASE），目标是在持续获得新知识时保护并复用已有表征，缓解灾难性遗忘。 机制上，VASE 以 Minimum Description Length（最小描述长度）原则为基础，自动检测数据分布变化，并将备用表征容量分配给新知识，同时保护已学习的表征。方法鼓励潜在表征解耦，使不同数据集能够共享具有语义意义的潜变量。摘要未给出具体目标函数、分布变化判定规则、容量分配方式或旧表征保护的实现细节。 作者报告，VASE 能合理处理歧义输入，通过基于想象的探索改善自身表征，并在不同数据集之间形成语义上有意义的潜变量共享；相较于使用纠缠表征的基线，能够超越表层统计进行有语义意义的跨域推断。摘要未列出数据集、定量指标或具体评估协议，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“检测分布变化—分配容量—保护旧表征”的机制，可能对应 EEG 跨会话漂移与持续学习中的遗忘问题，但这只是迁移假设。原方法依赖分段平稳视觉数据及可跨域共享的潜在因素；EEG 的低信噪比、被试差异和通道变化可能使分布检测主要响应伪迹，或使共享潜变量不对应任务因素。可考虑复用容量管理思路，但需改造面向 EEG 的编码器、重建目标及变化检测标准。一个可证伪的小实验是在按时间顺序划分的多会话 EEG 上，以一致的数据与标签访问条件比较 VASE 适配版与普通 VAE 的持续更新，检验旧会话表征的固定评估读出是否更稳定，同时核对新会话适应表现。已有 EEG 相关工作尚未检索确认。