面向持续学习的表征微调

基于摘要分析。本文研究预训练模型如何适应持续变化的数据流，提出 Continual Representation Learning（CoRe），将低秩线性子空间表征微调用于持续学习，旨在以显式学习目标提高参数利用效率与下游适应能力。 机制与创新：摘要将 CoRe 与传统微调作对比，强调其优化对象是表征中的低秩线性子空间，并采用显式目标，而非仅依赖黑箱优化。作者声称这是首次将这一类表征微调用于持续学习，但该优先性尚未独立核实。具体目标函数、子空间构造、可训练参数位置，以及如何处理旧知识遗忘，均尚未验证；不能仅凭“显式目标”推断其具有理论保证。 结果与证据：作者报告，在多个持续学习基准上，CoRe 保持参数效率并显著优于已有方法。摘要未提供基准名称、任务序列、数据划分、对照方法、指标数值或参数预算，因此无法量化收益，也无法判断其优势主要来自新任务适应还是旧任务保持。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 CoRe 的表征微调不依赖特定输入模态，并可接入 EEG 预训练编码器，则其低秩更新可能用于跨会话顺序适应，以较少可训练参数应对分布变化；这是假设，不是已证实的 BCI 效果。可复用候选是表征更新机制，需改造或核对的是 EEG 表征接口、任务监督及持续学习目标。低信噪比、通道配置变化、被试差异与小样本可能使低秩子空间无法覆盖有效变化，或导致遗忘。待全文明确机制后，可在固定 EEG 编码器和相同数据划分下，以跨会话顺序训练比较 CoRe 与参数预算匹配的微调基线，同时评估新会话表现及旧会话保持。相关 EEG 工作尚未检索确认。