RepCL：探索持续文本分类的有效表征

基于摘要分析。本文研究类别增量设置下的持续文本分类，关注当前任务学到的表征难以有效服务其他任务的“表征偏差”问题，提出基于回放的方法 RepCL，以保留更多类别相关信息并缓解灾难性遗忘。 机制上，作者从信息瓶颈视角分析表征偏差，提出更充分地提取类别相关信息有助于缓解该问题。RepCL 联合使用对比学习和生成式表征学习目标，并引入对抗回放策略，以缓解回放过程中的过拟合。摘要未提供目标函数、正负样本构造、生成目标、回放样本选择及对抗扰动的具体实现，相关机制仍需全文核对。 作者报告，在三个文本分类任务上，RepCL 能有效缓解遗忘，并取得作者所称的最先进性能。摘要未列出数据集名称、类别增量划分、回放预算、对照方法及数值指标；实验协议、消融及统计信息尚未验证，不能据此量化各模块的独立收益。 平台推测（待验证）：其潜在迁移路径是类别增量 EEG 分类中，新类别学习可能削弱旧类别的判别表征，可借鉴类别相关表征学习与回放的组合，而不是直接套用文本模型。该方法依赖持续到来的带标签类别及可保留的历史样本；迁移时需替换文本编码与生成目标，并约束对抗扰动符合 EEG 信号特性。低信噪比、跨被试差异和小样本条件下，对比目标可能强化非任务因素，回放也可能过拟合特定被试或通道配置。一个可检验的小实验是在固定被试划分、类别到达顺序和回放预算下，对比基础回放与逐项加入表征目标、对抗回放的结果，分别观察旧类性能和新类学习效果。相关 EEG 工作尚未检索确认，文本任务结果不构成 BCI 有效性证据。