Matryoshka Continual Learning：用于持续学习的嵌套表征

基于摘要分析。本文针对持续学习中新任务覆盖旧任务表征所导致的灾难性遗忘，提出 Matryoshka Continual Learning（MCL），将单一嵌入组织为由粗到细的嵌套子表征。其主要研究对象是通用持续分类学习，评估涉及图像与 Robotic Tactile Internet（RTI）数据，并非 EEG 或 BCI。 机制上，嵌入的前若干维构成可独立支持分类的紧凑表征；更长的前缀包含已有维度，并逐步补充细粒度信息。训练采用教师—学生设置：教师可访问特权知识，学生与教师架构相同，但无法访问该知识。作者强调，MCL 改造的是表征而非学习规则，因此可接入既有持续学习方法；特权知识的具体内容、监督方式、损失函数及接入细节尚未验证。 作者报告，在与 9 个基线比较的 Task-Incremental Learning（Task-IL）设置下，MCL 在 Seq-CIFAR-100 和 Seq-Tiny-ImageNet 上的 Accuracy 分别为 87.29% 和 77.59%，分别比次优方法高 0.32 和 1.97 个百分点。在 Class-Incremental Learning（Class-IL）设置下，作者报告其在这两个基准上的 Accuracy 均位列第二，plasticity–stability score 最高。摘要还列出 RTI 数据集，但未提供其具体结果。任务划分、基线配置、该评分的定义、消融及统计信息尚未验证。 平台推测（待验证）：嵌套表征可能用于缓解 EEG 连续任务学习中的旧类别遗忘，但这是假设，原领域结果不能直接外推。可复用部分是前缀表征与教师—学生训练框架，需改造 EEG 编码器并明确实际可用的教师知识。低信噪比、跨被试差异及小数据可能使短前缀丢失判别信息，或将被试特征固化。一个可证伪的小实验是固定 EEG 数据划分与类别增量顺序，对比同一持续学习基线加入 MCL 前后的 Accuracy 和遗忘程度，同时控制教师信息与训练预算。已有 EEG 相关工作尚未检索确认。