VolgendeVolgende gids
Voortdurend leren en catastrofaal vergeten
Grondbeginselen
Taal AI-GIDS
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks.
Luister naar deze gidsAI-verteld · ~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.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks. Continual-learning methods attempt to balance adaptation and retention.
Catastrofaal vergeten is het abrupte verlies van oude mogelijkheden wanneer een netwerk wordt getraind op een nieuwe taak, omdat gedeelde gewichten worden overschreven.
Kennis leeft in gedeelde parameters, dus training op nieuwe gegevens verschuift diezelfde gewichten en wist eerder geleerde kennis uit.
EWC voegt een regularisatiestraf toe die updates vertraagt van parameters die belangrijk worden geacht voor oude taken, geschat via Fisher-informatie.
Repetitie combineert voorbeelden uit het verleden (opgeslagen of gegenereerd) terwijl je nieuwe taken leert, zodat oude prestaties worden versterkt.
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.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Voortdurend leren en catastrofaal vergeten
Grondbeginselen