无回放持续学习新方法:6 种流式任务最高领先基线 30 个百分点
Horror-Celery4869 · reddit · 2026-11-09
一张持续学习(constinual learning)基准图对比了「Apical Plexus」「Apical Arbor」(均为零回放、不存原始数据)与经验回放(需存原始数据)、EWC/在线 SGD(需反向传播)四类方法在 6 种流式场景下的表现(32 个随机种子):
- Raw Split-MNIST:Plexus 90.7% vs EWC 20.1%
- Raw Split-CIFAR-100:Plexus 36.3%,比 Replay 高 2.07 倍
- CIFAR-100 · ResNet-18 / DINOv2:Plexus 分别 22.5% / 84.8%,全面领先
- CLINC150 · Qwen-2.5:Plexus 74.8%,比 Replay 高 30 个百分点
- CLINC150 · MiniLM:Plexus 93.5%
图中标注关键资源开销:持久化数据增长为 0、单步延迟 <0.18ms CPU、边缘端足迹仅 101–429 KB 静态 SRAM、云端 3.96–8.87 MB。方法在多数场景下以极小内存代价击败需要存储原始数据的经验回放。
「研究」频道最新
- FragBench 基准论文发布，作者仅附链接未展开细节 — arthurcolle · 2026-11-09
- 经济学家提AI审稿新流程:让模型先读附录再交叉质询 — paulnovosad · 2026-11-09
- CoRL 2026 设「机器人需要世界模型吗」辩论工作坊，黄文龙参与组织 — YunzhuLiYZ · 2026-11-09
- AA Decision Index v2 发布：私人数据集占45%，校准能力计入总分 — ArtificialAnlys · 2026-11-09
- Floridi 等发论文：智能、黑箱、幻觉三大隐喻正误导 AI 立法 — ArtificialOther · 2026-11-09
- Aaronson–Ambainis 猜想获解决:非结构化问题无指数级量子加速 — fortnow · 2026-11-09