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
- 上交大提出 VaM：用价值预测作记忆，机器人连续 4 小时自主作业成功率超 95% — chris_j_paxton · 2026-10-26
- 用小开源模型逆向工程游戏二进制:主 agent 中途重写子 agent 的 harness — yb2698 · 2026-10-26
- 作者：盼合同形式化成为连接 AI 与经济学的「MDP 时刻」 — xuanalogue · 2026-10-26
- 研究发现：前沿 LLM 常为私利单方面撕毁 AI 合同 — xuanalogue · 2026-10-26
- ContractSim：首个评估 LLM 自然语言合同谈判的框架 — xuanalogue · 2026-10-26
- Partial RoPE 研究：仅旋转 10% 维度即可逼近全 RoPE 收敛 — BlancheMinerva · 2026-10-26