بنیادی اصول گائیڈ
مسلسل سیکھنا اور تباہ کن بھول جانا
Continual learning updates a model over a sequence of tasks or data streams while trying to retain useful prior capabilities.
اس صفحہ پر1 min read
جائزہ
Catastrophic forgetting is a common failure where learning new tasks degrades earlier performance.
گہرا غوطہ
EWC uses a Fisher-information-based regularizer to discourage changes to parameters considered important for prior tasks. GEM uses episodic examples to constrain gradient updates; its guarantee concerns a local linear approximation to previous-task losses, so actual finite updates can still change performance. iCaRL stores exemplars, selects representatives with a herding procedure and classifies using per-class mean features. Replay methods revisit retained examples; these methods have different memory, privacy and compute tradeoffs. The stability-plasticity tradeoff describes balancing retention with learning new tasks.
اسٹریٹجک اثر
واضح فیصلے
یہ آپ کو مارکیٹنگ کی زبان سے واضح تکنیکی دعووں کو الگ کرنے میں مدد کرتا ہے۔
لاگت اور بجٹ
آپ پیسہ یا وقت خرچ کرنے سے پہلے بہتر نفاذ کے سوالات پوچھ سکتے ہیں۔
ٹیم اور ورک فلو
مشترکہ تفہیم کے ساتھ ٹیمیں بہتر پروڈکٹ، پالیسی اور سیکھنے کے فیصلے کرتی ہیں۔
مسلسل سیکھنے اور تباہ کن بھول جانے کا مستقبل
Continual-learning results depend on task sequence, model, data access, and evaluation protocol. Report both new-task learning and old-task retention.
حقیقی دنیا کا نفاذ
Evaluate old and new tasks after each update.
Use replay samples when permitted by data policy.
Compare regularization methods such as EWC against fine-tuning.
Record task order and memory budget.
خطرات اور گارڈریلز
مختلف ٹیمیں ایک ہی اصطلاح کو مختلف طریقے سے استعمال کر سکتی ہیں، اس لیے دائرہ کار کی جلد وضاحت کریں۔
بینچ مارکس مضبوط نظر آسکتے ہیں جبکہ حقیقی دنیا کی کارکردگی ناہموار ہے۔
ڈیٹا کے معیار اور تشخیص کے منصوبوں کو نظر انداز کرنا اکثر نازک نتائج پیدا کرتا ہے۔
نفاذ کا روڈ میپ
آپ کو مطلوبہ نتائج کی سادہ زبان کی تعریف کے ساتھ شروع کریں۔
جانچ کرنے سے پہلے ایک کامیابی میٹرک اور ایک ناکامی کی شرط منتخب کریں۔
نمائندہ ڈیٹا کے ساتھ ایک چھوٹا پائلٹ چلائیں، نہ کہ پالش شدہ ڈیمو سیٹ۔
دستاویز جہاں مسلسل سیکھنے اور تباہ کن بھولنے میں مدد ملتی ہے اور جہاں آسان طریقے بہتر ہیں۔
دریافت کرتے رہیں
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Continual Learning and Catastrophic Forgetting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
اکثر پوچھے گئے سوالات
مسلسل سیکھنا اور تباہ کن بھول جانا کیا ہے؟
Continual learning updates a model over a sequence of tasks or data streams while trying to retain useful prior capabilities. Catastrophic forgetting is a common failure where learning new tasks degrades earlier performance.
'تباہ کن فراموش' کیا ہے؟
تباہ کن بھول جانا پرانے کام کی کارکردگی کا شدید نقصان ہے جب کچھ نیا سیکھنے کے دوران نیٹ ورک کے مشترکہ وزن کو اوور رائٹ کر دیا جاتا ہے۔
لچکدار وزن کنسولیڈیشن (EWC) کیا کرتا ہے؟
EWC ایک جرمانہ (فشر کی معلومات کا استعمال کرتے ہوئے) جوڑتا ہے جو پرانے کاموں کے لیے اہم سمجھے جانے والے وزن کو اینکر کرتا ہے، بھولنے کو کم کرتا ہے۔
ری پلے پر مبنی طریقے بھولنے کا مقابلہ کیسے کرتے ہیں؟
ری پلے ماضی کی مثالوں کو نئے بیچوں میں ملا دیتا ہے تاکہ گریڈیئنٹس پرانے اور نئے دونوں کاموں کی عکاسی کرتے ہیں، اصل مشترکہ ڈیٹا کا تخمینہ لگاتے ہوئے۔
How does Gradient Episodic Memory (GEM) constrain a gradient update while learning a new task?
GEM projects updates using episodic-memory losses so the local first-order approximation does not increase loss on previous-task examples. This constraint is based on a local linearization and does not guarantee actual loss will never rise after every finite step.
ایک نئے کام پر بولی ٹھیک ٹیوننگ کیوں بھول جاتی ہے؟
غیر محدود گریڈینٹ اپ ڈیٹس مشترکہ وزن کو نئے بہترین کی طرف دوبارہ لکھتے ہیں، ایسے خطوں کو چھوڑ دیتے ہیں جو پہلے کے کاموں کے لیے اچھے تھے۔
سیکھتے رہیں
متعلقہ گائیڈز
اس موضوع کے لیے مزید گائیڈز چنے گئے ہیں۔