一 ` 简单描述

这两篇论文都在做 foundation model 场景下的 class-incremental learning，也都强调 exemplar-free / rehearsal-free。但它们的思路其实很不一样：

• EASE：走的是 “显式扩子空间” 路线。每来一个任务，就加一个 adapter，形成新的任务子空间；再靠 prototype complement 把旧类在新子空间里的表示补出来。

• 

• SD-LoRA：走的是 “参数更新方向复用” 路线。不是给每个任务搞一套显式分类子空间，而是把 LoRA 更新拆成 direction + magnitude，保留旧方向，只继续学新方向和所有方向的缩放系数。

• 

---

二 ` 并排对比表

维度	EASE	SD-LoRA
论文定位	解决 PTM-based CIL 中“新任务覆盖旧任务”的问题，同时避免 expandable backbone 的高成本和 exemplar 依赖。	解决 foundation-model CIL 中“随着任务数增长，prompt/LoRA 池或 rehearsal 方案不够 scalable”的问题，强调 rehearsal-free、inference-efficient、end-to-end 三者兼得。
核心范式	Adapter-based subspace expansion：每个任务一个独立 adapter，一个任务一个子空间。	Decoupled LoRA：把 LoRA 更新拆成 magnitude 和 direction，旧 direction 固定，新任务增量学习新 direction，并联合调整各 direction 的 magnitude。
抗遗忘机制	通过“新任务写入新 adapter”来避免直接改坏旧任务特征；旧知识以历史子空间形式保留。	通过“保留历史 LoRA direction，只重标定 magnitude 并新增少量 direction”来沿低损失路径移动，减少对旧任务的破坏。
统一分类怎么做	用 prototype-based classifier；把各子空间的 prototype 拼起来分类。最大难点是旧类在新子空间中没样本，因此用 semantic-guided prototype complement 补齐。	不搞 prototype 补全；直接用最后训练好的模型推理，不需要测试时做 task/component selection。
最有辨识度的创新点	语义引导的原型补全：用旧/新类在共现空间中的相似性，去重建旧类在新子空间里的 prototype。	direction–magnitude decoupling：作者还给出经验和理论分析，说明早期 direction 更关键，后续 direction 更像小修正。
推理形态	推理时要聚合多个 adapter 子空间的特征，并对子空间 logits 做 reweight。	推理时直接使用最终模型，无需 prompt/LoRA 组件选择，因此更强调 inference scalability。
参数增长方式	随任务数增长持续保存 adapter；作者明确说 adapter 很轻量，但长期看模型体积仍会增加。	也会随任务增加 LoRA 组件，但提出 SD-LoRA-RR 和 SD-LoRA-KD 两个变体来降低参数增长。
实验优势	在 7 个 benchmark 上取得最优，且不用 exemplars；还接近“有 exemplars 直接算旧类 prototype”的 upper bound。	在多个 benchmark 和不同 task length 上优于现有方法，尤其强调任务数变多时优势扩大；同时兼顾推理效率与零存储旧样本。
更像哪类方法	更像 architecture expansion / feature-space composition。	更像 PEFT + low-loss path / model merging 风格。
主要短板	子空间越来越多，adapter 需要一直存；作者把 adapter 压缩列为未来方向。	尽管更 scalable，但本质上仍是增量叠加 LoRA 组件，所以极长任务序列下仍需继续控制参数膨胀。

---

三 ` 再从研究视角并排看

1. 它们到底在“保护什么”

EASE 更像是在保护 表示空间。
它假设灾难性遗忘主要来自“新任务把旧特征空间改坏了”，所以干脆给每个任务独立子空间，让旧任务特征别被动。问题变成：这些子空间最后怎么统一分类。于是才有 prototype complement。

SD-LoRA 更像是在保护 参数更新轨迹。
它假设多个任务的较优解可能落在相近、甚至部分重叠的低损失区域，所以重点不是“彻底隔离任务”，而是“保留历史更新方向，在已有好方向上继续调节步长和少量新方向”。

2. 它们如何解决“没有旧样本”

EASE 的回答是：不用旧样本也能重建旧类在新空间中的 prototype。这是一个很强的“分类器补全”思路。

SD-LoRA 的回答是：尽量别把问题变成旧类重建问题。它通过保持参数更新方向的连续性，直接让最终模型维持对旧任务的能力，不额外设计 prototype reconstruction。

3. 哪个更“工程友好”

如果你关心 结构直观、模块清晰、解释性强，EASE 很强：
“每任务一个 adapter + prototype 补全 + 子空间集成”，逻辑很完整，也很好做消融。

如果你关心 推理效率和长任务序列的扩展性，SD-LoRA 更占优：
论文明确把 “rehearsal-free + inference-efficient + end-to-end optimization” 当成设计目标，而且给了效率表，ImageNet-R (N=20) 上 SD-LoRA 与 InfLoRA 一样是 35.12 GFLOPs，但不需要存旧特征；SD-LoRA-RR 还能把可学习参数从 0.37M 压到 0.23M。

---

四 ` 实验结果怎么理解

1.EASE

EASE 在 ViT-B/16-IN21K backbone 下，7 个 benchmark 都是表中最优，比如 CIFAR100 为 91.51 / 85.80，CUB 为 92.23 / 86.81，ImageNet-R 为 78.31 / 70.58，ImageNet-A 为 65.34 / 55.04。作者还说它在若干数据集上比 runner-up 高出约 4%–7.5%。

更关键的是，EASE 不用 exemplars，却几乎追平了“存 exemplars 直接算旧类 prototype”的 upper bound：在 ImageNet-R B0 Inc20 上，upper bound 是 81.73 / 76.08，EASE 是 81.73 / 76.17；在 CIFAR B0 Inc10 上 upper bound 是 92.32 / 87.79，EASE 是 92.35 / 87.76。这几乎直接证明了 prototype complement 的有效性。

2.SD-LoRA

SD-LoRA 在 ImageNet-R 的不同 task length 上都优于对比方法，而且任务越多，优势越明显。论文还明确写到：在 ImageNet-R (N=20) 上，SD-LoRA 相比 InfLoRA，Acc 提升 7.68%，AAA 提升 4.62%。在 ImageNet-A 上，也明显优于 HiDe-Prompt。

具体数值上，ImageNet-A (N=10) 为 55.96 / 64.95，DomainNet (N=5) 为 72.82 / 78.89；两个轻量变体 RR 和 KD 只带来很小性能损失。

---

五 `  如果要把它们当成硕士研究切入点

1.更适合从 EASE 往下做的方向

如果你偏好 表示学习 / 原型学习 / 无样本分类器补全，EASE 很适合继续挖。
因为它天然留下几个可研究问题：

1. prototype complement 能不能更强，比如从 similarity mapping 升级到 learned transport / generative prototype completion；
2. adapter 数量增长后，怎么做压缩、合并或路由；
3. prototype-based classifier 是否能和更强的 calibration 结合。

2.更适合从 SD-LoRA 往下做的方向

如果你偏好 PEFT / optimization / 理论分析 / scalability，SD-LoRA 更适合。
因为它天然对应的问题是：

1. direction 为什么能跨任务复用；
2. 低损失路径能否更显式地建模；
3. RR/KD 能否做成更有理论保证的 rank allocation / component pruning；
4. 能不能把 decoupled LoRA 和 adapter / prefix / prompt 结合。

---

六 ` 最后给你一个结论版

EASE 更像是在说：

“我给每个任务一个独立特征子空间，再想办法把这些子空间拼成统一分类器。”

SD-LoRA 更像是在说：

“我不强调任务隔离子空间，而是复用历史参数更新方向，在共享低损失区域里持续前进。”

所以如果你问我两篇谁更“像一条主线上的连续演进 ? ”

答案其实是：不是。它们代表的是 CIL+PEFT 里两条不同哲学。

• EASE 偏表示空间扩展
• SD-LoRA 偏参数更新几何