面向终身学习的动态增长混合模型训练

基于摘要分析。本文研究终身学习中动态扩展模型（DEMs）的灾难性遗忘及复杂度控制，提出理论分析框架与 growing mixture model（GMM），并利用生成样本训练紧凑学生模型，以累积跨域表征并降低测试阶段的模型开销。主要研究对象是通用终身学习，而非 EEG 或 BCI。 作者将 DEM 的遗忘过程解释为：新数据的概率表征分布与已学知识之间的统计差异距离增大。作者的理论分析指出，向混合模型添加组件涉及模型复杂度与性能之间的权衡。由此，GMM 根据到达任务信息相对于已有知识的新颖程度增加生成式数据组件，并通过考虑已获得知识的组件选择机制决定组件更新。摘要未给出统计距离、新颖性判据或组件选择规则的具体定义。 学生模型使用 GMM 生成的样本进行训练，目标是随时间累积跨域表征。作者报告，使用学生模型可显著减少参数数量并加快测试推理，但摘要未提供数据集、任务序列、对照基线、参数量或推理耗时，无法据此量化收益；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 跨会话持续学习中的分布变化可由该概率表征与生成机制有效描述，按新颖性扩容与生成样本训练学生模型可能有助于协调遗忘和部署成本，但这只是假设。可复用思路是组件选择与生成式知识累积；需针对 EEG 改造表征、生成器和新颖性判据，并核对任务边界及监督需求。低信噪比、通道变化和小数据可能使新颖性判据将噪声误判为新任务，或使生成样本偏离真实信号。一个可检验的小实验是在固定 EEG 跨会话划分、相同标签可用性和容量预算下，对照固定容量模型，评估旧会话遗忘、新会话表现及推理成本。相关 EEG 工作尚未检索确认。