重新审视持续表征学习中的监督作用

基于摘要分析。本文研究按顺序学习多个任务时，监督信息与表征迁移能力之间的关系，重点重新审视自监督持续学习的优势是否与多层感知机（MLP）projector 有关。作者报告，在其持续表征学习评估中，加入 MLP head 的监督模型能够优于自监督模型；摘要未提供具体任务、数据集、指标或差值，因此该结论的适用范围尚需核对。 机制与贡献：已有研究常将自监督表征较好的迁移能力与 MLP projector 联系起来，本文据此重新考察监督学习，而非将监督与自监督的差异仅归因于标签使用。其核心切入点是在监督模型中加入 MLP head，考察这一配置对连续任务中表征可迁移性的影响。摘要分别使用 head 与 projector 两种表述，但二者的具体结构、接入位置、训练目标及推理时是否保留尚未验证，不能据此认定所有监督方法都优于自监督方法。 证据边界与复现条件：全文需核对任务序列、训练和迁移评估协议、标签与无标签数据预算、骨干网络及 head 配置是否可比，以及迁移能力与遗忘的评价方式。实验协议、消融及统计信息尚未验证，代码可用性也未由材料确认。 平台推测（待验证）：假设 MLP head 对表征迁移的影响可延伸至 EEG 持续学习，可复用“区分监督信号收益与 head 配置收益”的对照思路，面向跨会话分布变化检验表征保持能力；这不是已证实的 BCI 效果。原研究依赖连续任务及有标签、无标签学习条件，具体数据结构与规模未知。迁移时需改造 EEG 编码器和自监督任务，低信噪比、通道差异、被试差异及小数据可能使 head 学到会话特征而非稳定任务信息。一个可检验的小实验是在固定被试内跨会话任务顺序、编码器和数据预算下，对照监督与自监督训练，并分别设置有、无 MLP head，核对后续会话迁移表现及既有会话性能保持情况。已有 EEG 相关工作尚未检索确认。