À suivreGuide suivant
Apprentissage continu et oubli catastrophique
Fondamentaux
GUIDE IA du langage
Oubli catastrophique
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Continual-learning methods attempt to balance adaptation and retention.
Plongée profonde
Catastrophic forgetting occurs when learning new tasks degrades earlier capabilities. EWC penalizes changes to parameters important to earlier tasks; GEM constrains gradients using episodic examples under a local first-order approximation; iCaRL stores exemplars and uses class-mean features. LoRA freezes base weights and learns low-rank task updates, which may reduce direct interference but does not guarantee retention. The original RAG paper distinguishes sequence-level and token-level document marginalization. These mechanisms address different issues and require evaluation on old and new tasks.
Mise en œuvre dans le monde réel
Elastic Weight Consolidation penalizes changes to parameters estimated to be important for earlier tasks.
Experience replay mixes stored earlier examples with new-task examples during training.
LoRA keeps task-specific low-rank updates separate from frozen base weights in some adaptation settings.
Retrieval-augmented generation can consult an external index rather than storing every fact only in model parameters.
L’avenir de l’oubli catastrophique
Evaluate old and new task performance after each update and make the retention criterion explicit. Choose methods based on data availability, storage and privacy constraints. Research benchmarks do not establish that any single technique prevents forgetting in all deployment settings.
Le mettre en pratique
Pourquoi c'est important
- Vitesse et échelle. Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
- Accès et portée. Il étend l’accès à toutes les langues et styles de communication.
- Décisions plus claires. Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
Attention à
- Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
- La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
- Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Prochaines étapes
- Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
- Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
- Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
- Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Catastrophic Forgetting quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu’est-ce que l’oubli catastrophique ?
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks. Continual-learning methods attempt to balance adaptation and retention.
Quelle situation décrit un oubli catastrophique dans un réseau neuronal ?
L’oubli catastrophique est la perte brutale d’anciennes capacités lorsqu’un réseau est formé à une nouvelle tâche, car les poids partagés sont écrasés.
Pourquoi des oublis catastrophiques se produisent-ils dans les réseaux neuronaux ?
Les connaissances vivent dans des paramètres partagés, donc la formation sur de nouvelles données déplace ces mêmes poids et efface les apprentissages antérieurs.
Que fait la consolidation élastique du poids (EWC) pour réduire les oublis ?
EWC ajoute une pénalité de régularisation qui ralentit la mise à jour des paramètres jugés importants pour les anciennes tâches, estimés via les informations Fisher.
Comment se déroule l'expérience de relecture (répétition) de l'oubli de combat ?
La répétition mélange des exemples passés (stockés ou générés) tout en apprenant de nouvelles tâches afin de renforcer les anciennes performances.
What does LoRA do to base-model weights when adding a task-specific adapter?
LoRA freezes base weights and trains low-rank updates for a task. This can reduce direct parameter interference but does not guarantee retention across every continual-learning sequence.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet