维度控制决定了模块化在持续学习中何时有益

组合学习系统必须平衡可塑性（获取新知识）与稳定性（保留旧组件）。本文研究了模块化架构、任务相似性及表示维度如何共同塑造序列 A-B-A 范式下的组合式持续学习。研究发现，在高维“惰性”机制下，显式模块结构影响甚微；而在低维“丰富”机制下，模块化至关重要，能形成针对特定任务的分级子空间。结果表明，由初始化尺度引发的表示机制是决定模块化结构功能效益的关键因素，支持将鲁棒性视为表示子空间的自适应分配问题。