RanDumb：一种质疑持续表征学习有效性的简单方法

基于摘要分析。本文研究在线持续学习中持续更新的表征是否真正有效，而不仅关注灾难性遗忘与稳定性—可塑性权衡。作者提出 RanDumb：以预先固定的随机变换将原始像素映射为近似 RBF-Kernel 的特征，再逐样本在线训练线性分类器，不存储样本实例。 核心机制是将表征构造与分类器学习分离：随机变换在接触数据前初始化，学习过程中不更新该表征。作者报告，在其所评估的标准在线持续学习基准上，这种方法优于所比较的持续学习深度表征；摘要未列出具体数据集、指标、数值或基线配置，不能据此量化优势。作者还报告，在使用预训练模型且不存储样本实例的设置中，仅训练预训练表征之上的线性分类器，优于多数所比较的持续微调与 prompt-tuning 策略。后者应与直接使用原始像素的随机特征实验区分。 本文的可核对价值在于提供无需持续更新表征的对照，帮助检验复杂持续学习策略的实际增益，而非证明表征学习普遍无效。随机特征维度、RBF-Kernel 近似方式、线性分类器更新规则、预训练数据及评估划分均需查阅全文；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现与运行条件尚未核验。 平台推测（待验证）：固定表征加在线线性分类器可作为 EEG 持续解码的基线假设，但原研究对象是像素输入，并非 EEG 或 BCI。可复用固定随机映射与在线分类器，输入则需改为统一通道和时间窗的 EEG 特征；监督标签如何获得、通道差异与特征标准化均需明确。低信噪比、跨会话漂移及小样本可能使固定映射无法保持判别信息。一个可证伪的小实验是在相同 EEG 会话序列、标签可用性与不存储历史样本的条件下，对比固定随机特征、冻结预训练特征及持续更新表征，采用先预测后更新的评估并报告各会话 Balanced Accuracy。相关 EEG 工作尚未检索确认。