SelanjutnyaPanduan berikutnya
Pembelajaran Berkelanjutan dan Lupa yang Menyebabkan Bencana
Dasar-dasar
PANDUAN AI Bahasa
Lupa yang Bencana
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Continual-learning methods attempt to balance adaptation and retention.
Menyelam Lebih Dalam
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.
Implementasi Dunia Nyata
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.
Masa Depan dari Bencana Lupa
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.
Mempraktikkannya
Mengapa itu penting
- Kecepatan dan skala. Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
- Akses dan jangkauan. Ini memperluas akses lintas bahasa dan gaya komunikasi.
- Keputusan yang lebih jelas. Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Hati-hati
- Fakta-fakta yang dihalusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian.
- Sensitivitas yang cepat dapat menimbulkan hasil yang tidak konsisten pada permintaan serupa.
- Data teks sensitif mungkin terekspos jika kontrol akses lemah.
Langkah selanjutnya
- Tentukan format output, nada, dan standar kualitas sebelum peluncuran.
- Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting.
- Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi.
- Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Catastrophic Forgetting quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
What is Catastrophic Forgetting?
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks. Continual-learning methods attempt to balance adaptation and retention.
Which situation describes catastrophic forgetting in a neural network?
Lupa yang parah adalah hilangnya kemampuan lama secara tiba-tiba ketika jaringan dilatih untuk melakukan tugas baru, karena bobot bersama ditimpa.
Mengapa bencana lupa terjadi di jaringan saraf?
Pengetahuan berada dalam parameter bersama, jadi pelatihan dengan data baru akan menggeser bobot yang sama dan menghapus pembelajaran sebelumnya.
Apa yang dilakukan Elastic Weight Consolidation (EWC) untuk mengurangi lupa?
EWC menambahkan penalti regularisasi yang memperlambat pembaruan parameter yang dianggap penting untuk tugas lama, yang diperkirakan melalui informasi Fisher.
Bagaimana pengalaman memutar ulang (latihan) memerangi lupa?
Latihan menggabungkan contoh-contoh masa lalu (disimpan atau dihasilkan) sambil mempelajari tugas-tugas baru sehingga kinerja lama diperkuat.
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.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini