面向在线持续学习的等角表征学习

基于摘要分析。该研究针对在线持续学习中为及时更新模型而采用有限训练（如单轮训练）所导致的欠拟合，提出利用 neural collapse（神经坍缩）构造等角表征的方法，以改善模型对持续到达数据的拟合。 核心机制是在表征空间中诱导形成 simplex equiangular tight frame（ETF，单纯形等角紧框架）结构，并结合 preparatory data training（预备数据训练）和表征空间中的 residual correction（残差校正）。摘要未展开这两个模块的具体实现、损失形式、训练与推理流程，其计算和存储开销也尚未验证。 作者报告，在 CIFAR-10/100、TinyImageNet、ImageNet-200 和 ImageNet-1K 上，该方法在 disjoint 数据设置及 Gaussian scheduled continuous（无边界）数据设置等多种在线持续学习场景中优于所比较的现有先进方法。摘要未提供具体指标、提升幅度、数据流划分、对照方法及重复实验信息，因此不能据此量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其原始研究对象是图像数据流，而非 EEG 或 BCI。若 EEG 任务具有相对稳定的类别语义、可用的在线监督及有限更新预算，固定的等角类别几何可能为持续更新提供表征约束。可探索复用 ETF 约束与残差校正思路，但需改造 EEG 编码器，并核对预备数据训练对数据来源和规模的要求。低信噪比、跨被试或跨会话漂移，以及小样本下不稳定的类别表征，都可能削弱该几何假设。一个可证伪的小实验是：在固定类别的跨会话 EEG 数据流中，控制标签可用性、回放容量与更新预算，比较基础在线更新和加入相关模块后的 Accuracy、旧会话性能及更新耗时。已有 EEG 相关工作尚未检索确认。