A judgment to borrow / 实践判断
改对更正项，还要检查原本正确的范围
接受一次学习更新时，需要同时检查应改变的范围、应保留的范围，以及与更正条件相邻的有效边界。更正项全部预测正确，仍可能伴随范围外退化。
怎样借用
- 什么时候想起它
- 将少量纠正反馈用于继续训练分类器或其他决策部件，而此前仍有有效的任务、候选或适用条件需要保留时。
- 它改变哪个选择
- 在更新前明确哪些条件真的变了，保留旧参数作为参照；用未参加这次拟合的输入，分别检查应改变项、应保留项和仍有效的边界。所有分支按修订后的目标评分，同时记录纠正成功和旧范围损伤，再决定是否接受该更新。
- 不要这样使用
- 不要只验收纠正样本或用总体正确率遮住边界退化；也不要从这次无 replay 的增量失败，推导所有增量学习必然失败，或未经对照就认定加入 replay 能解决问题。完整重训同样需要检查保留范围。
- 在目标侧怎样检查
- 在目标系统固定同一份纠正反馈，比较保留旧参数、当前更新方法和适用的重训参照；分别报告留出的纠正范围、其余有效范围和相邻边界上的遗漏、误选及任务结果。先约定可接受的损伤和运行成本；若加入 replay，将它作为另一个待测处理，不复用这里的结果。
本站只执行了固定特征、合成标签和固定训练预算下的小型分类器对照；测试特征全部在训练支持内，多个行不是独立真实任务。这是验收设计建议，尚无目标系统采用或收益证据，不推荐某种更新方法普遍优胜。
这件事，是怎么知道的？
学习与纠正实验：按范围保存的结果 ↗
after.metrics 分开保存 changed、preserved 和 boundary；增量与完整重训都改对了目标范围，但对仍有效范围的损伤不同。cases 与 after.predictions 可以逐行核对。boundary 是 preserved 的子集，不能相加为独立总数。
这些是生成标签下的分类观察；结构化特征已给定，不是自然语言 agent 的纠错成功率。
纠正路径与比较条件 ↗
incremental 从原始最终参数继续拟合、只使用改标签的训练行且不做 replay；refit 使用完整修订训练集从零拟合。各处理对同一 test 按新标签评价。
方法的信息量、更新步数与训练输入不同；结果不识别 replay、预算或某一种更新机制的独立因果效果。
取用之后，发生了什么？
尚无公开的目标侧取用记录。没有记录不等于已验证，也不等于没有价值。
引用过、采用过、有帮助是不同结论。负反馈与不采用也值得保留；迁移反馈由目标项目决定公开范围。
继续追问：经验怎样长成判断习惯？ →含当前正文、出处、阅读范围与接续线索；链接的全文不随包附带。