标签
本文提出了一种溯源引导的增量学习框架，用于处理由规则引发的概念漂移，其中目标定义发生变化，并在一个新的基准上进行了评估，以提高效率和准确性。
SynGAP 是一个无任务持续学习框架，通过自适应梯度预处理模拟生物元可塑性，以缓解灾难性遗忘，在基准测试中显示出相对于现有方法的显著准确性提升。
本文介绍了一种基于可训练混合态原型的量子增量学习框架，能够在无需增加电路宽度的前提下添加新类别，同时缓解灾难性遗忘。
DeltaMem将LLM智能体记忆组织成残差树，以减少冗余和检索冲突，存储经验的增量变体以支持持续学习。
本文通过引入与机制对齐的白盒攻击代理 WB-Softmax，研究了流式神经架构模糊 ARTMAP 中的对抗鲁棒性。本文评估了渐进式训练和选择性更新策略，以在不进行数据重放的情况下提高鲁棒性，同时为结构性失效提供可解释的诊断。