MAEM：无历史回放的容量受控图专家框架

基于摘要分析。MAEM 面向类增量图学习中预测偏向近期类别及灾难性遗忘的问题，提出无回放、容量受控的动态混合专家框架。其主要贡献是在推理时不依赖任务标识或共享可训练路由器，并通过专家合并限制模型容量。 方法以 Simplified Graph Convolution（SGC）构建表征，为每个新学习阶段训练专属专家，随后冻结以保护已有知识。每个专家使用掩码自编码器（MAE），测试节点被分配给重建误差最低的专家。该设计旨在避免共享路由器持续接触新数据后偏向近期专家；但不同专家的重建误差是否可比、是否能可靠反映类别归属，仍需结合正文实验核对。 当专家池达到固定容量时，MAEM 通过 Git Re-Basin 对齐并合并使用最少的专家，再利用从 MAE 分布合成的拓扑感知伪数据，以 DeepInversion 风格进行蒸馏，形成融合专家。摘要明确其不存储或重新访问历史图数据，因此需区分“不回放历史数据”与“不使用合成伪数据”。 作者报告，在四个类增量图基准上，MAEM 缓解了近期偏置、优于强持续图学习基线，并在严格无回放条件下保持模型容量有界。摘要未提供基准名称、具体指标、划分、容量上限或计算开销；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务可表示为通道图，且类别逐阶段到达，可研究其专家冻结与重建误差路由机制；这不等同于已验证的 EEG/BCI 方法。迁移需改造图表征及伪数据生成，使其符合 EEG 时序与通道结构。低信噪比、跨被试差异和小样本可能使重建误差反映噪声或个体差异，而非类别知识。一个可证伪的小实验是在固定通道图与一致容量预算下，比较 MAE 路由和共享可训练路由器的旧类保持及新类识别表现。已有 EEG 相关工作尚未检索确认。