DualNet：快慢双系统持续学习

基于摘要分析。本文研究持续学习中的表征学习问题，提出受互补学习系统（CLS）理论启发的 DualNet，将面向具体任务的快速监督学习与面向通用表征的慢速自监督学习结合。原论文的实验对象是视觉持续学习基准，而非 EEG 或 BCI。 机制上，快速系统通过监督学习获得具体任务的模式分离表征，慢速系统通过 Self-Supervised Learning（SSL）学习任务无关的通用表征。其关键设计是让两类学习过程互补，而不是仅依赖单一任务驱动的表征更新。摘要未说明两个系统的具体耦合方式、更新调度、网络结构、损失形式，以及是否依赖样本回放或额外存储，这些复现条件尚未验证。 作者报告，在 CORE50 和 miniImageNet 两个持续学习基准上，DualNet 优于所比较的先进持续学习方法，并进行了不同 SSL 目标的消融研究。摘要未提供指标数值、任务序列、数据划分、对照方法及统计信息，因此不能据此量化优势，也不能判断不同持续学习协议下的可比性。摘要称代码将在接收后公开，当前材料不足以确认接收状态或代码可用性。 平台推测（待验证）：若 EEG 任务以连续会话形式到达，慢速系统利用无标签信号学习共享表征、快速系统利用少量标签适应当前任务，可能对应跨会话漂移与标签稀缺问题。可借鉴双系统分工，但需重新设计适合 EEG 时序结构的编码器与 SSL 目标；低信噪比、通道变化和被试差异也可能使慢速系统学习到不稳定或无关特征。一个可证伪的小实验是在同一被试按时间排列的会话上，固定标签预算、存储和训练预算，比较双系统与仅监督持续学习的旧会话性能保持及新会话表现，检验慢速 SSL 是否真正有益。已有 EEG 相关工作尚未检索确认。