迈向可逆遗忘：管理持续企业人工智能代理中的过时知识

摘要

arXiv:2608.18177v1 Announce Type: new Abstract: Continual learning has traditionally treated forgetting as a failure, emphasizing preservation of previously acquired knowledge as environments evolve. ...

and knowledge that framework relevance the forgetting environments market conditions

2026-08-21 1 阅读约1分钟阅读 Nilutpaul Sarker Yash, Tirtho Roy, Ushashi Bhattacharjee

arXiv:2608.18177v1 公告类型：新摘要：持续学习传统上将遗忘视为失败，强调随着环境的演变保留先前获得的知识。我们认为，对于在非静态环境中运行的企业人工智能代理来说，这一目标是不完整的，在非静态环境中，客户、政策、工具、工作流程、法规和市场条件会随着时间的推移而变化。不加区别地保留可能会使过时的知识影响决策，从而产生负转移和运营风险。因此，我们提出可逆遗忘：一个具有三种操作记忆状态的概念框架：活跃、休眠和退休，以及一个重新激活过渡，可以在相关性恢复时恢复休眠知识。我们将该框架实例化为滞后可逆内存控制器，该控制器积累相关证据，使用不对称阈值来防止状态振荡，在影子模式下测试重新激活，并通过策略控制退休。该框架减少了过时信息的影响，而不将临时抑制与永久删除混为一谈。金融学说明了这一想法：在一种市场体制下有用的知识可能在另一种市场体制下变得有害，但在类似情况再次出现时又会重新获得相关性。

订阅66必读