LegközelebbKövetkező útmutató
Folyamatos tanulás és katasztrofális felejtés
Alapok
Nyelvi AI ÚTMUTATÓ
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Continual-learning methods attempt to balance adaptation and retention.
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.
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.
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.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks. Continual-learning methods attempt to balance adaptation and retention.
A katasztrofális felejtés a régi képességek hirtelen elvesztése, amikor egy hálózatot egy új feladatra tanítanak, mert a megosztott súlyok felülíródnak.
A tudás megosztott paraméterekben él, így az új adatokra való képzés ugyanazokat a súlyokat tolja el, és törli a korábbi tanulást.
Az EWC rendszeresítési büntetést ad hozzá, amely lelassítja a régi feladatokhoz fontosnak ítélt paraméterek frissítését, amelyet Fisher információi alapján becsülnek meg.
A próbák keverednek a múltbeli példákban (tárolt vagy generált), miközben új feladatokat tanulnak, így a régi teljesítmény megerősödik.
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.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Folyamatos tanulás és katasztrofális felejtés
Alapok