اگلااگلا گائیڈ
مسلسل سیکھنا اور تباہ کن بھول جانا
بنیادی باتیں
زبان AI گائیڈ
تباہ کن بھول جانا
Catastrophic forgetting occurs when training on new tasks degrades performance on previously learned tasks.
اس گائیڈ کو سنیں۔اے آئی نے بیان کیا۔ · ~2 min
اس صفحہ پر2 منٹ پڑھیں
جائزہ
Continual-learning methods attempt to balance adaptation and retention.
گہرا غوطہ
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.
حقیقی دنیا کا نفاذ
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.
تباہ کن بھولنے کا مستقبل
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.
اسے عملی جامہ پہنانا
یہ کیوں اہمیت رکھتا ہے۔
- رفتار اور پیمانہ. زبان کے کام کے بہاؤ مستقل مزاجی کی قربانی کے بغیر تیزی سے آگے بڑھ سکتے ہیں۔
- رسائی اور رسائی. یہ زبانوں اور مواصلاتی طرزوں تک رسائی کو بڑھاتا ہے۔
- واضح فیصلے. ٹیمیں فیصلے پر زیادہ وقت گزار سکتی ہیں جبکہ آٹومیشن تکرار کو سنبھالتی ہے۔
پر نگاہ رکھیں
- گمراہ شدہ حقائق خاموشی سے رپورٹس، سپورٹ فلو، یا تحقیقی نتائج درج کر سکتے ہیں۔
- فوری حساسیت اسی طرح کی درخواستوں میں متضاد نتائج پیدا کر سکتی ہے۔
- اگر رسائی کے کنٹرول کمزور ہیں تو حساس ٹیکسٹ ڈیٹا کو بے نقاب کیا جا سکتا ہے۔
اگلے اقدامات
- رول آؤٹ سے پہلے آؤٹ پٹ فارمیٹ، ٹون اور معیار کے معیارات کی وضاحت کریں۔
- جب بھی درستگی اہمیت رکھتی ہے تو بھروسہ مند ذرائع کے ساتھ زمینی جوابات۔
- ہائی اسٹیک آؤٹ پٹس کے لیے ایک انسانی جائزہ چیک پوائنٹ رکھیں۔
- ناکامی کے نمونوں کو ٹریک کریں اور پرامپٹس یا ورک فلو کو باقاعدگی سے دوبارہ تربیت دیں۔
دریافت کرتے رہیں
مفت نیوز لیٹر
روزانہ AI بریفنگ حاصل کریں
ہر ہفتے کے دن صبح تین تصدیق شدہ AI کہانیاں، سادہ انگریزی میں لکھی گئیں۔ ہمیشہ کے لیے مفت، کوئی اشتہار نہیں۔
ہر ہفتے کے دن ایک ای میل۔ ایک کلک میں ان سبسکرائب کریں۔ ہم کبھی بھی آپ کا پتہ فروخت یا شیئر نہیں کرتے۔
اپنے آپ کو جانچیں۔
Take the Catastrophic Forgetting quiz
ہر جواب پر فوری فیڈبیک، اور کورس پاس کرنے کے بعد قابلِ تصدیق ID کے ساتھ شیئر کرنے کے قابل سرٹیفکیٹ۔
مفت AI تعلیم کی حمایت کریں۔ AI Understanding ایک 501(c)(3) غیر منافع بخش ادارہ ہے — کوئی اشتہار نہیں، کوئی پے وال نہیں، کبھی نہیں۔ عطیہ کریں۔
اکثر پوچھے گئے سوالات
تباہ کن بھول جانا کیا ہے؟
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?
تباہ کن بھول جانا پرانی صلاحیتوں کا اچانک نقصان ہے جب کسی نیٹ ورک کو کسی نئے کام پر تربیت دی جاتی ہے، کیونکہ مشترکہ وزن اوور رائٹ ہو جاتا ہے۔
عصبی نیٹ ورکس میں تباہ کن بھول کیوں ہوتی ہے؟
علم مشترکہ پیرامیٹرز میں رہتا ہے، اس لیے نئے ڈیٹا پر تربیت وہی وزن بدل دیتی ہے اور پہلے کی تعلیم کو مٹا دیتی ہے۔
ایلاسٹک ویٹ کنسولیڈیشن (EWC) بھول جانے کو کم کرنے کے لیے کیا کرتا ہے؟
EWC ایک ریگولرائزیشن جرمانہ شامل کرتا ہے جو پرانے کاموں کے لیے اہم سمجھے جانے والے پیرامیٹرز کی اپ ڈیٹس کو سست کر دیتا ہے، جس کا اندازہ فشر کی معلومات کے ذریعے لگایا جاتا ہے۔
ری پلے (ریہرسل) جنگی بھولنے کا تجربہ کیسے ہوتا ہے؟
نئے کاموں کو سیکھنے کے دوران ریہرسل ماضی کی مثالوں (اسٹور یا جنریٹڈ) میں گھل مل جاتی ہے تاکہ پرانی کارکردگی کو تقویت ملے۔
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.
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔