Hebbian 持续表征学习

基于摘要分析。本文研究任务顺序到来、独立同分布假设不再成立时的持续表征学习，重点关注没有监督信号的情形。作者提出 HebbCL，将稀疏神经网络与 Hebbian 学习原则结合，作为典型梯度下降训练模型的一种替代方案。 核心机制是利用 Hebbian 学习构建表征，并结合网络稀疏性应对持续学习挑战；摘要未给出具体更新公式、稀疏约束实现或任务切换处理方式。作者认为该机制产生的权重易于解释，可能适合安全、医疗等对可解释性有要求的应用，但摘要未提供相应应用验证或可解释性评估细节。 作者报告在 MNIST 和 Omniglot 上进行了无监督学习验证，并将算法扩展至有监督的 class-incremental learning，取得有潜力的结果。摘要没有给出具体分数、任务序列、数据划分或对照基线，因此尚不能判断收益幅度及抗遗忘能力。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，无监督局部更新或可用于 EEG 跨会话分布变化下的持续表征适应；但原研究对象是图像数据，并非 EEG 或 BCI。可考虑复用 Hebbian 更新与稀疏表征机制，需改造 EEG 输入编码和时间结构处理。低信噪比、通道差异及小样本条件下，更新可能强化伪迹或被试特异模式，而非稳定任务信息。一个可证伪的小实验是在固定通道的跨会话 EEG 数据中，按会话顺序进行无标签更新，以一致的冻结表征评估协议，对比 HebbCL、无更新基线及梯度式持续表征方法，同时检验新会话表现与旧会话遗忘。已有 EEG 相关工作尚未检索确认。