谱惰性区间：持续学习中的谱范数与泛化

基于摘要分析。该研究关注持续学习中的可塑性丧失，重点解释网络仍可降低训练损失、但泛化能力退化的情形，并提出 spectral lazy regime（谱惰性区间）作为可能机制。作者将权重矩阵谱范数的大幅增长与惰性学习动力学联系起来，进而提出谱范数约束及两种权重参数化方法。 机制上，论文区分可训练性丧失与泛化能力丧失：前者指训练损失难以降低，后者指网络仍能拟合训练数据但泛化受损。作者报告建立了大谱范数与 lazy（kernel）regime 之间的理论联系，认为进入该区间后，学习动力学更接近核方法，表征学习受到抑制。理论所需的网络、数据及优化假设尚未验证。 作者报告，在所考察的持续学习实验中，约束权重矩阵的谱范数能够避免泛化能力丧失；其他范数约束也可能有用，但在其比较中，只有谱范数使 radius sensitivity curve（半径敏感性曲线）对矩阵宽度保持不变。论文还提出 singular value parameterization 与 spectral norm parameterization，作者报告二者相较标准权重矩阵参数化可减缓谱范数增长，并缓解泛化退化。摘要未提供任务、数据集、模型规模、指标或数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨会话 EEG 持续更新中也出现训练损失仍可下降、但后续泛化受损的现象，可将谱范数增长作为候选诊断量，并评估谱范数约束或上述参数化。可复用的是权重矩阵约束思路，需适配的是 EEG 模型中的受约束模块、更新流程与会话评估协议。原研究依赖的监督方式和数据规模尚不明确，不能据此确认适用于小样本 EEG；低信噪比、被试及通道变化也可能使约束抑制必要的适应。一个可证伪的小实验是在固定跨会话划分、相同更新数据和预算下，对照标准参数化与谱范数约束，同时记录训练损失、谱范数和留出会话表现，检验谱范数增长是否伴随且能否干预泛化退化。已有 EEG 相关工作尚未检索确认。