基于嵌入空间分离与紧致化的终身事件检测

基于摘要分析。研究针对终身事件检测中顺序学习新任务时的灾难性遗忘，以及少量回放记忆样本引发的过拟合，提出嵌入空间分离与紧致化方法。其主要研究对象是事件检测的持续学习，并非 EEG 事件识别或 BCI 解码。 核心机制包括：推动新数据的特征分布远离先前学习的嵌入空间，以减少新旧表示重叠造成的干扰；通过记忆校准机制使记忆样本靠近所属原型，增强类内紧致性；利用先前任务获得的知识初始化新任务的可学习参数，以促进前向知识迁移。相较于直接混合历史记忆与新任务样本进行回放，方法显式约束表示空间，并处理有限记忆上的过拟合问题。摘要未提供具体损失形式、原型构建方式、参数初始化细节及记忆更新策略。 作者报告，在其终身事件检测实验中，该方法显著优于此前最先进方法；但摘要未列明数据集、任务顺序、记忆预算、对照方法、评价指标与数值，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可对应 EEG 持续学习中新旧类别表示干扰与有限回放样本过拟合的问题。可考虑复用原型约束和回放校准，但需改造信号编码器、任务划分及原型更新机制；原方法对标签、任务边界与记忆规模的具体依赖仍需核对。低信噪比及跨被试、跨会话漂移可能使原型不稳定，而强制分离新旧表示也可能破坏共享生理特征。一个可证伪的小实验是在固定 EEG 编码器、类别增量序列和相同记忆预算下，对比普通回放、加入空间分离、加入记忆校准及二者结合，评估旧类别遗忘和新类别学习表现；这不构成已验证的 EEG 效果，相关 EEG 工作尚未检索确认。