基于嵌入空间分离与紧致化的终身事件检测

基于摘要分析。该研究针对终身事件检测中旧任务知识遗忘与记忆回放样本过拟合的问题，提出嵌入空间分离与紧致化方法，并利用已学任务知识初始化新任务的可学习参数，以促进前向知识迁移。其主要研究对象是终身事件检测，摘要未涉及 EEG/BCI 实验。 核心机制包括：推动新数据的特征分布远离先前学得的嵌入空间，以缓解新旧特征重叠引起的遗忘；通过记忆校准机制，使记忆样本靠近所属类别的原型，增强类内紧致性，以缓解少量记忆样本上的过拟合。相较于直接混合旧记忆与新任务样本进行训练，该方法显式约束新旧表示的关系及记忆样本的类内结构。具体损失形式、原型计算与更新方式、记忆选择策略和参数初始化规则尚未验证。 作者报告，在其终身事件检测实验中，该方法显著优于此前的先进方法；但摘要未提供数据集、任务序列、记忆容量、对照方法、指标或数值，无法据此判断收益幅度与统计稳健性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 持续学习任务允许保存少量带标签历史样本，并能构建稳定的类别原型，可尝试复用记忆校准与表示约束机制，对应跨会话更新时的遗忘问题；但需改造 EEG 编码器、任务边界和原型更新规则。低信噪比、通道变化和跨被试漂移可能使原型不稳定，强制新旧空间分离也可能破坏同类信号的共享结构。可在固定记忆预算与相同 EEG 编码器下，按跨会话顺序比较普通回放、仅空间分离、仅记忆校准及二者结合，分别检验旧会话遗忘和新会话学习效果。相关 EEG 工作尚未检索确认。