面向持续学习的零空间视觉提示调优

基于摘要分析。本文研究视觉持续学习中的灾难性遗忘，提出沿既往任务特征所张成子空间的正交方向更新视觉提示，旨在学习新任务时减少对已学任务的干扰。研究对象是采用预训练 ViT 的视觉提示调优，并非 EEG 或 BCI。 机制上，作者指出，将传统 CNN 中的正交投影思路用于 ViT 提示梯度时，需要处理高阶、非线性的自注意力运算，以及 transformer 块中 LayerNorm 引起的提示分布漂移。作者报告推导了实现提示梯度正交投影的两个一致性条件，并据此提出基于零空间的近似求解方案。摘要未给出条件的具体表达式、近似误差或特征子空间的维护方式，因此尚不能确认理论保证如何对应实际近似实现。 作者报告，在四个类别增量学习基准及多种预训练基线模型上，该方法表现出抗遗忘效果，并优于所比较的先进方法。摘要未提供数据集名称、划分、具体指标与数值；实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但实现细节与复现条件尚未核查。 平台推测（待验证）：若 EEG 任务采用具有可调提示的预训练 transformer，并按任务顺序持续更新，该机制可能用于限制新任务更新对既往表征的干扰。此假设依赖历史特征子空间具有稳定性，需改造 EEG 特征提取、提示接口及子空间维护模块；低信噪比、跨被试差异和通道变化可能使子空间估计不稳，或使正交约束限制新任务学习。可在固定通道与固定任务顺序的小规模 EEG 类别增量实验中，比较普通提示调优与零空间约束，分别评估旧任务保持和新任务学习能力。已有 EEG 相关工作尚未检索确认。