Multiband VAE：持续学习中用于知识整合的潜在空间对齐

基于摘要分析。该研究针对无监督生成式持续学习中的灾难性遗忘，提出 Multiband VAE，通过持续对齐新数据的潜在表示，将学习目标从保留旧知识扩展为知识积累与整合。主要研究对象是通用生成模型，并非 EEG 或 BCI。 核心机制：作者将新数据的潜在表示称为 bands，并在额外的潜在空间中持续对齐，使样本编码不依赖其来源任务；同时引入对过去数据的受控遗忘方法，以简化知识整合过程。作者认为，既有方法常侧重相邻数据阶段几乎没有相似性的人工场景，难以体现现实数据之间可共享的知识。摘要未说明具体对齐目标、损失形式、模型结构、受控遗忘准则，以及训练和推理是否需要任务标识，这些细节尚未验证。 评估与贡献：作者除使用标准持续学习基准外，还提出新的知识整合场景，并开展额外的现实应用评估。作者报告，在这些实验中相对当时最先进方法的提升最高达到两倍，但摘要未给出指标定义、具体数据集、划分、基线及各实验数值，不能将其解释为准确率翻倍。作者声称，据其所知，Multiband VAE 首次在生成式持续学习中展示前向与后向知识迁移；迁移的操作定义及证据仍需全文核对。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若连续到来的 EEG 会话既有分布漂移，又保留可共享的信号结构，潜在空间对齐可能帮助生成模型积累跨会话知识。可考虑复用对齐与受控遗忘思路，但需改造 EEG 编码和生成模块，并明确通道、时间窗及会话组织方式。低信噪比、通道变化、被试差异和小数据可能使对齐混淆有效信号与伪迹，或使受控遗忘损失稀有模式。一个可检验的假设是：在固定通道的同一被试连续会话上，相较顺序训练 VAE，对齐机制能在相同数据与训练预算下改善旧会话生成质量，同时不损害新会话学习；可用完整方法、去除对齐、去除受控遗忘的对照检验。该实验仅是迁移建议，已有 EEG 相关工作尚未检索确认。