最小化持续学习代理中的表征稳定性

持续学习系统常部署于无法重训练的环境，但现有研究多关注任务性能而非内部表征演化。本文研究一种最小化持续学习代理，旨在隔离表征动态与架构复杂性。该代理维护持久状态向量并随新数据增量更新。实验量化了连续状态间的余弦相似度及稳定性指标，揭示了从初始可塑态到稳定态的转变。引入语义扰动后，系统表现出有界的相似度下降及随后的恢复重稳态。结果表明，无需显式正则化或回放，简单状态系统亦可涌现稳定性 - 可塑性权衡，为研究表征积累提供了实证基线。