DEFT 用结构掩码做持续学习防遗忘
TheGradient · x · 2026-07-24
这条线程在讲什么
DEFT 被描述为一种用于持续学习/迁移学习的方法，目标是避免灾难性遗忘。核心思路是：先在冻结的“Core”里找出冗余神经元并合并，释放出可重新利用的容量；再通过结构性的掩码，把可训练的“Slack”与 Core 隔离开，阻止新学习反向污染旧知识。
它想解决什么问题
作者把它和以往常见方案做了对比：例如 stop-gradient、EMA teacher-student、冻结预训练编码器，或者依赖很多手调系数的 VICReg 风格损失。DEFT 的卖点是用一个更统一的结构机制，兼顾保留旧知识与吸收新任务。
所属事件:DEFT 持续学习新架构：Core-Slack 分区防遗忘(3 条相关)→
「研究」频道最新
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11
- 智利学者：AI 反馈规模化是医学教育可持续的关键 — julianvarascom · 2026-09-11
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11