重新思考梯度投影持续学习：稳定性与可塑性特征空间解耦

基于摘要分析。本文研究持续学习中逐步学习新类别时的遗忘与适应能力冲突，提出空间解耦算法 space decoupling（SD），通过对稳定性与可塑性子空间施加不同约束，改善梯度投影方法的稳定性—可塑性平衡。 核心机制：作者指出，既有方法要求更新梯度与整个历史特征空间正交；随着任务增加、特征空间扩展，可行更新方向受到更强限制，从而降低学习新任务的可塑性。SD 将特征空间分解为互补子空间：稳定性空间 I 由历史与当前特征空间的交集构建，主要包含任务共享基；可塑性空间 R 通过正交补空间构建，主要包含任务特异基。摘要中正交补所对应的符号 T 未明确解释，具体定义及两类空间的约束形式需核对全文。 结果与证据边界：作者报告，将 SD 应用于梯度投影基线后，在公开数据集上获得 SOTA 结果，并称其具有模型无关性。摘要未提供数据集名称、任务序列、模型、对照数值或评估指标，因此无法判断改善幅度及适用范围；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：假设 EEG 持续学习中的共享特征与新增类别或会话特异特征能够被可靠区分，这种差异化投影约束可能缓解保留旧知识与适应新分布之间的冲突。可复用部分是子空间估计与梯度约束机制，需改造的是 EEG 特征提取及任务定义；低信噪比、通道变化和小样本可能使交集估计不稳定，被试或会话差异也未必对应任务特异信息。一个可检验的小实验是在固定 EEG 编码器与相同类别增量序列下，对比原梯度投影基线与加入 SD 的版本，分别评估旧类别保持和新类别学习，并严格隔离训练与测试数据。跨会话适应应另设协议，不能与类别增量结果混比。已有 EEG 相关工作尚未检索确认。