RPT：用于无数据持续 EEG 模型合并的 Resultant-Power Transport

基于摘要分析。该研究面向 EEG 模型持续适应新被试时的知识保持与历史数据隐私问题，提出 Resultant-Power Transport（RPT），递归合并被试特定微调模型，在合并阶段不访问 EEG 或校准样本。其核心贡献是同时处理跨被试参数更新冲突与归一化状态差异，避免依赖历史 EEG 回放。 在参数合并方面，RPT 利用任务向量之间的一致性缩放各层目标，再通过具有历史权重的闭式投影选择新模型的贡献，同时保持历史贡献之间的相对权重。该机制关注如何引入新被试知识而不破坏已有模型积累；任务向量的具体定义、投影约束及递归状态的存储形式尚未验证。 在归一化处理方面，作者提出 Affine-map BN merging（AM-BN），合并由 Batch Normalization 统计量与仿射参数共同定义的推理变换，以配合参数更新。摘要未给出其具体公式，也无法据此判断该模块对不同网络结构的适用范围。“无数据”限定于所述模型合并阶段，不代表被试特定模型的微调也不需要 EEG。 作者报告，在三个 EEG 任务的实验中，RPT 优于参与比较的持续模型合并（CMM）方法，并在持续适应新被试时保持已遇到被试的性能。摘要未提供任务名称、数据集、被试数量、被试顺序、划分方式、指标或提升幅度，因此尚不能量化收益，也不能将其等同于无需新被试训练的跨被试泛化。复现时需从全文核对微调与合并流程、归一化状态处理、各被试评估协议及基线设置；实验协议、消融及统计信息尚未验证。