面向视觉任务持续学习的前瞻式选择性可塑性

基于摘要分析。本文研究视觉任务持续学习中的灾难性遗忘与新任务适应，提出 Look-Ahead Selective Plasticity：在任务切换时利用新任务的最初少量样本，识别并保留对模型迁移能力贡献较大的参数，使网络其余部分能够学习新特征。 机制上，作者受大脑中事件模型的创建与更新启发，并以对比损失能够在神经网络输出中诱导冗余的观察为依据，在任务边界进行参数选择。摘要未说明参数贡献的具体估计方式、保留参数如何约束更新，以及是否需要保存旧任务数据或旧模型；不能仅凭其对既有工作的描述判断本文消除了这些依赖。 作者报告，在 CIFAR10 和 TinyImagenet 等计算机视觉基准上，该方法在任务增量、类别增量和域增量持续学习场景中达到最先进性能。摘要未提供具体指标、数值、任务划分、对照基线或统计结果，因此无法量化优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可考察的 EEG 对应问题是跨会话或顺序任务学习中保留既有表征与适应新分布的权衡，而非已验证的 BCI 效果。可复用的候选模块是任务边界处的参数贡献评估与选择性更新；需改造视觉编码器、EEG 对比学习样本构造及任务边界定义。该方法依赖可识别的任务切换和新任务起始样本，EEG 的低信噪比、被试差异、通道变化及小样本可能使参数重要性估计不稳定。一个可证伪的小实验是在固定通道、明确会话边界的 EEG 顺序学习协议中，控制骨干与训练预算，对比普通微调、随机保留参数和该选择机制，分别评估旧会话遗忘与新会话表现。相关 EEG 工作尚未检索确认。