NeuroGuard：感知表征损伤的神经网络梯度更新

基于摘要分析。本文研究长尾类别增量学习（LT-CIL）：在类别不平衡的数据流中学习新类别，同时保留旧类别知识。NeuroGuard 将干预重点放在任务边界处的特征表征更新强度，作为更新控制方法加入基于回放的 DGR，不增加可学习参数，并保留其回放记忆、分类器及损失项集合。 机制上，Adaptive Gradient Scaling（AGS）将教师模型的不确定性转换为每个任务的单一梯度缩放系数；Confidence-Ranked Knowledge Distillation Reweighting（CRK）为教师预测较不确定的回放样本赋予更大的知识蒸馏权重；Fragility-Blended Entropy Gate（FBE）进一步将旧类记忆泄漏信息纳入缩放决策。摘要未给出不确定性、记忆泄漏和门控的具体定义，也未提供公式或实现细节。 作者报告，在五种 LT-CIL 设置中，NeuroGuard 均优于 DGR；在四组主要基准比较中，其任务无关准确率在所比较方法中最佳。作者还报告旧类、新类准确率均有增益，中等频率类别准确率在五种设置中一致改善。控制比较中，AGS 在五种设置下均优于匹配固定缩放对照，支持任务边界特定缩放优于全程采用相同平均缩放的作者结论。具体数据集、类别不平衡程度、任务划分、回放预算、增益幅度、消融及统计信息尚未验证。 平台推测（待验证）：其更新控制机制可能适用于类别不平衡且按任务逐步引入新类别的 EEG 持续学习，但不能据此认定具有 BCI 效果。可复用部分是基于教师不确定性的梯度缩放与蒸馏重加权；需要适配 EEG 编码器、任务边界和回放采样。低信噪比、跨被试或跨会话漂移可能使教师不确定性偏离遗忘风险，小样本下回放记忆也可能缺乏代表性。一个可证伪的小实验是在固定 EEG 类别增量划分、回放预算与损失项下，对照原基线、AGS 和匹配平均缩放，分别评估旧类、新类及不同频率类别的 Accuracy。已有 EEG 相关工作尚未检索确认。