通过动态可扩展记忆簇实现无任务边界持续生成与表征学习

基于摘要分析。本文研究无任务边界持续学习中的图像重建、生成与表征学习，提出临时记忆与可扩展记忆相结合的方法，以保存近期信息和长期知识；同时采用 VAE 两步优化策略，改善生成与重建性能之间的权衡。主要研究对象是持续图像学习，而非 EEG 或 BCI。 机制上，临时记忆保存最新信息，可扩展记忆则按照信息新颖性准则，将被判定为重要的样本从临时记忆选择性转移至新建记忆簇。该设计旨在提高簇间知识多样性，以紧凑的存储容量保留更丰富的信息。摘要未提供新颖性度量、扩展阈值、容量约束及样本选择公式，具体实现尚未验证。训练方面，作者通过两条优化路径分别更新 VAE 的生成模型和推断模型，但具体损失与更新顺序尚未验证。 作者报告，理论分析与实证结果支持该方法学习有意义的潜在表征，并生成来自不同域的多样化图像；作者同时报告生成与重建之间的权衡有所改善。摘要未列出数据集、数据流构造、对照基线或定量指标，实验协议、消融及统计信息尚未验证。摘要提供了代码与补充材料地址，其内容及复现条件尚未核验。 平台推测（待验证）：若将持续到达的 EEG 片段视作非平稳数据流，信息新颖性驱动的记忆选择可能用于缓解跨会话表征学习中的遗忘。可复用的是记忆管理思路；需改造 VAE 的信号输入与重建目标，并确认原方法对任务标识、监督和数据规模的依赖。低信噪比可能使伪迹被误判为新知识，被试差异与通道变化也可能驱动无效扩容。一个可证伪的小实验是在固定 EEG 通道配置的跨会话顺序学习中，以相同存储预算比较该策略、随机回放和无回放，观察旧会话重建误差与下游表征性能是否共同改善，并记录记忆增长。已有 EEG 相关工作尚未检索确认。