正在加载模式…
🔄
持续学习(CL)
从一系列任务或数据分布中学习，同时衡量并缓解早前能力的丧失
复杂度: high学习与适应
30秒速览
- 是什么
- 按顺序在新任务上训练，同时通过复习、正则化或任务专用适配器来衡量并防止早期任务性能的下降。
- 何时使用
- 系统需要随时间从多个任务或数据分布中学习，同时不遗忘先前能力，也不要求访问全部历史数据。
- 注意
- 要真正衡量灾难性遗忘，需要在每个阶段维护覆盖所有任务的完整评估矩阵，任务数量一多，代价就会飙升。
向AI专家咨询此模式
打开助手并预填您的问题,发送前可先确认。
持续学习: 概览
从一系列任务或数据分布中学习，同时衡量并缓解早前能力的丧失
- Catastrophic forgetting measurement
- Sequential task learning
- Regularization such as EWC
- Rehearsal and replay
- Task-specific adapters
- Forward and backward transfer evaluation
The Agent Architect
每周一个模式、一个权衡、一个生产事故案例。为构建智能体系统的人准备的每周简报。
每周一封邮件,一键退订。您的地址仅用于发送简报。
参考资料
该模式所依据的论文、规范和代码仓库。
- Overcoming catastrophic forgetting in neural networks (2017)arXiv:1612.00796
由本目录背后的工程师执行
为你的智能体架构做一次评审
本页讲的是一个模式。真实系统会同时跑几十个，而多数故障恰恰出在它们的衔接处。我们按本目录的 288 个模式评审你的整体设计：架构、可靠性、评测与成本，每一条结论都对应到能修复它的模式。
€750（原价 €1,500），一周交付，书面报告加讲解通话，9月30日前