闭合预测与调度回路：结合开放空间检索与容量感知调度的可审计记忆半衰期预测

基于摘要分析。本文研究间隔重复学习中的记忆状态预测与有限复习容量下的调度问题，提出由 OSR-HLR 和 OSR-ACRI 组成的闭环框架，将记忆半衰期估计转化为复习决策。主要研究对象是学习与记忆管理，而非 EEG 解码或 BCI。 机制上，Open-Space Retrieval for Half-Life Regression（OSR-HLR）结合相对半衰期估计与开放空间检索，从重复出现及相关的历史记忆状态中迁移确定性、来源可追溯的残差证据。OSR Adaptive Calibration-Regret Index（OSR-ACRI）则结合在线校准、边际延迟成本与队列等待时间，生成容量感知的复习决策。摘要未给出检索相似性定义、残差迁移公式、训练目标或容量约束的具体实现。 作者报告，在 MaiMemo、Anki 和 EdNet-Recall 上，采用所有 Test 结果均不进入训练与检索的 source-only 协议，OSR-HLR 在全部 15 种数据集—协议设置中，相较 27 个基线取得最低 H-SMAPE。Row 协议下，三个数据集的 H-SMAPE 分别降低 17.40%、2.59% 和 42.46%；在留出 Anki 用户的评估中降低 11.36%。这些降幅的具体参照基线及 Row 划分定义尚未验证，不宜跨协议直接比较。 作者报告，在固定调度器时，预测改进使 365 天 regret 降低 8.7%–15.8%；在固定预测器且工作负载匹配时，OSR-ACRI 使 retention AUC 提高 11.1%、低于目标的时间减少 7.5%、最终回忆表现提高 19.8%。摘要未明确这些调度结果对应的数据集、对照策略及评估环境，不能据此认定为真实长期用户实验。 阅读与复现需核对历史证据的可用时间边界、用户与记录划分、调度评估环境、指标定义及比较基准；实验协议细节、消融及统计信息尚未验证。摘要没有建立该机制与 EEG/BCI 的具体对应关系，因此不将上述记忆管理收益解释为 BCI 有效性证据。