packetLSTM：面向特征空间变化的流式数据的动态 LSTM 框架

基于摘要分析。该研究面向输入特征空间随时间变化的流式数据在线学习，提出动态 LSTM 框架 packetLSTM，使模型能够在特征缺席、重新出现或新增时继续处理数据。原论文的主要研究对象是一般的变维流式数据，而非 EEG 或 BCI。 核心机制是为每个输入特征配置一个独立 LSTM，保存该特征的局部信息，并以共享公共记忆整合全局信息。框架使用与输入维度无关的算子聚合信息，并按需要激活、停用或新增 LSTM。作者认为，这种局部记忆与全局记忆的配置有助于持续学习，并缓解特征长期缺席引起的遗忘；但共享记忆的更新规则、聚合算子的具体形式、训练目标，以及特征重新出现时的状态处理方式尚未验证。 作者报告，packetLSTM 在五个数据集上取得 state-of-the-art 结果，并将其基本原理扩展到 GRU 和 vanilla RNN。摘要未提供数据集名称、评价指标、具体分数、在线评估协议及对照基线，不能据此量化优势；实验协议、消融及统计信息尚未验证，也需核对动态新增模块的训练方式和计算成本。 平台推测（待验证）：若将 EEG 通道视作可出现或缺席的输入特征，特征专属记忆与维度无关聚合可能用于通道脱落或通道集合变化下的连续解码。可复用部分是动态模块管理与信息聚合；需改造部分包括 EEG 时序输入表示、跨通道空间关系及通道身份对齐。该对应关系假设通道身份可追踪、历史状态仍有意义，且具备适用的在线监督条件；原方法的监督要求与数据规模尚未验证。低信噪比可能污染长期记忆，被试差异可能使旧状态失效，小数据及新增通道也可能导致专属模块训练不足。 一个可检验的小实验是在固定被试和固定任务的 EEG 数据上，按时间顺序模拟通道暂时缺席与恢复，对比 packetLSTM 和采用缺失通道填补的固定维度 LSTM，并在一致监督与更新预算下检查缺席期性能、恢复后的适应速度及计算成本。该实验仅用于检验迁移假设，不代表已有 BCI 效果；已有 EEG 相关工作尚未检索确认。