划分与正交化：基于局部模型空间投影的高效持续学习

基于摘要分析。本文研究持续学习（CL）中学习新任务而不遗忘旧知识的问题，提出基于局部模型空间投影（LMSP）的框架，旨在降低计算复杂度，并通过扩展局部模型任务增加具有较强相关性的候选池。原论文主要研究通用持续学习，并非 EEG 或 BCI 方法。 机制与贡献：作者将现有方法的资源开销归结为梯度投影计算，以及为相关旧任务选择而保存大量旧任务。LMSP 以局部模型空间投影处理这些问题，但摘要未说明局部空间如何划分、投影与正交化的具体计算方式、任务相关性判据或所需历史信息。作者报告，从理论上说明该方法能够实现后向知识迁移；这一结论的假设、适用条件及其与遗忘控制的关系需要全文核对。 实验依据：作者报告，在多个公开数据集上的实验展示了方法的效率。摘要未提供数据集名称、任务序列、数据划分、对照基线、性能指标或计算与存储开销数值，因此尚不能判断效率收益是否伴随性能权衡。实验协议、消融及统计信息尚未验证，复现所需的实现和配置也尚未确认。 平台推测（待验证）：若局部空间投影能保留旧任务相关的更新方向，可能用于缓解 EEG 跨会话持续学习中的遗忘。可考虑复用投影与任务候选选择机制，但需明确 EEG 会话的任务定义，并改造信号表征及相关性估计；低信噪比、通道变化、被试差异和小样本可能使局部空间或任务关联估计失真。一个可检验的小实验是：在固定被试、固定通道的顺序会话学习中，使用相同 EEG 编码器，对比 LMSP 与直接顺序微调，评估旧会话 Balanced Accuracy 的变化及更新耗时，再观察新会话表现是否受损。已有 EEG 相关工作尚未检索确认，通用持续学习结果不构成 BCI 有效性的证据。