智能AI
morning
用于一般持续学习的受大脑启发的分层模块化
摘要
arXiv:2609.25146v1 Announce Type: new Abstract: Continual learning, the ability to learn from sequential experience while retaining and adapting prior knowledge, is central to intelligent systems oper...
and
learning
experience
the
from
modular
while
intelligent
systems
continual
2026-09-23
1 阅读
约1分钟阅读
Hongwei Yan, Kanglei Zhou, Qi Cheng, Weiyi Dong, Chunyan Lan, Guanglong Sun, Jun Zhou, Qian Li, Yi Zhong, Liyuan Wang
字号:
arXiv:2609.25146v1 发布类型：新 摘要：持续学习，即从连续经验中学习，同时保留和适应先验知识的能力，是在不断变化的环境中运行的智能系统的核心。然而，传统的持续学习通常是通过离线任务训练和明确的任务边界来研究的，与在线、不确定和不断变化的数据流下的一般持续学习存在很大差距。在这种情况下，智能系统必须分离冲突的经验以减少干扰，同时整合兼容的经验以促进泛化。受果蝇学习和记忆系统组织的启发，我们确定了一种分层模块化原则，通过专家专业化和集成集成来协调这两种功能。我们将这一原理实例化为预训练基础模型的轻量级模块化适应，结合了专家路由的受大脑启发的随机扩展和跨空间和时间尺度的多样化模块化集成。在视觉识别、视觉-语言理解、自我-外在视频理解和具体化视觉-语言-动作学习方面，我们的方法持续改进了在线和不确定数据流下的学习，在具体化操作方面比免重放替代方案提高了 50 个百分点以上。这些发现支持分层模块化作为从动态经验中学习的生物学基础路径。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱