跳到正文

算法、任务与模态

Continual Learning 最新动态

Continual Learning 研究索引；按可核对的标签归档，不以热度评价质量。

165 条精选近 30 天 32 条共收录 200 条

更新

精选归档 · 第 9 页

1月1日周二第 161–165 条
  1. OpenReview · EEG76

    学习同步：生物智能体如何耦合神经任务模块以应对稳定性–可塑性困境

    基于摘要分析。本文研究生物与人工智能体如何灵活耦合、解耦认知任务模块，以缓解稳定性–可塑性困境；核心贡献是将 Binding by Synchrony（同步绑定）与 Reinforcement Learning（强化学习）结合，使模型学习同步当前任务相关模块，并去同步当前任务无关模块。 其机制是通过模块间同步关系调控任务参与：当前无关模块中的旧信息受到保护，减少被新学习覆盖；当前相关模块则承担新信息学习。作者将这一同步学习机制分别与采用 Rescorla-Wagner、backpropagation 和 Boltzmann machines 的任务模块结合。摘要未提供同步控制的具体实现、强化学习信号、损失形式或参数更新细节，尚不能据此还原算法。 在需要切换三种任务规则的 reversal learning（反转学习）范式中，作者报告，组合模型相较于不含同步机制的原网络，在稳定性和可塑性两方面均具有显著计算优势。摘要未给出量化指标、效应大小及统计检验细节，实验协议、消融及统计信息尚未验证。作者还报告模型处理动力学与经验数据一致，并提出可供未来 MEG/EEG 研究检验的假设；这不等同于已完成 MEG/EEG 验证，也不是 BCI 性能证据。 平台推测（待验证）：该模块调控机制可能启发 EEG 解码中的持续学习，以降低更新模型时对既有任务知识的干扰。此假设依赖可区分的任务模块及可靠的任务或奖励反馈；可借鉴的是模块耦合控制，需改造的是 EEG 特征输入、任务识别与反馈定义，不能直接把计算模块同步等同于 EEG 相位同步。低信噪比、被试与通道差异及小数据可能使模块选择不稳定。一个可证伪的小实验是在固定 EEG 数据划分下按任务顺序更新模型，对比启用和关闭同步控制时旧任务保持与新任务学习表现，并控制模型容量和更新预算。相关 EEG 工作尚未检索确认。

    阅读价值：值得阅读其以同步和去同步调控任务模块、兼顾旧知识保护与新规则学习的机制，以及可供 MEG/EEG 检验的动力学假设；摘要尚不支持其具有 BCI 解码收益。

9月17日周一
  1. OpenReview · State space models74

    通过扩展感知运动空间实现发展式强化学习

    基于摘要分析。该研究面向连续感知运动空间中的无模型深度强化学习，提出受儿童发展启发的迁移学习方式：让智能体在学习策略的过程中逐步扩大可用的感知运动空间，而非一开始就在完整空间中搜索。 核心机制是在基于神经网络的 actor-critic 中加入 developmental layers，依据 Intrinsic Motivation 启发式逐步开放部分感知运动维度。为缓解空间扩展过程中的灾难性遗忘，作者借鉴 Elastic Weight Constraint 调节神经控制器的学习。摘要未给出维度开放规则、约束的数学形式及训练调度，不能据此确定具体网络结构或损失函数。 作者报告，在 DDPG 和 NFAC 两种算法以及 Half-Cheetah、Humanoid 两个高维环境基准上，先在参数空间子集中寻找次优解、再转向完整空间搜索，有助于启动学习，并以更少的 episodes 获得更好的性能。摘要未提供具体回报、训练预算、随机种子、对照设置或统计结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在对应对象是具有连续控制输出和在线反馈的 BCI 策略学习，而非一般 EEG 分类。假设逐步开放控制自由度能降低早期探索难度，可考虑复用维度开放调度与遗忘约束，但需将模拟环境中的感知运动维度映射到实际解码输出及反馈信号。低信噪比、跨被试差异、小数据和非平稳反馈可能使 Intrinsic Motivation 难以区分有效探索与噪声，也可能使早期受限策略阻碍后续学习。一个可检验的小实验是在固定 EEG 解码输入、奖励和交互预算的离线模拟控制任务中，对比逐步开放与一次性开放控制维度，并分别移除遗忘约束，评估任务回报、收敛速度和旧能力保持情况。该实验仅检验迁移假设，不代表已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其以逐步开放感知运动维度来引导策略学习的机制，尤其是维度开放规则与遗忘约束各自的贡献；摘要中的性能改善尚需结合完整实验协议验证。

1月1日周一
  1. OpenReview · State space models76

    在函数空间中度量与正则化网络

    基于摘要分析。本文研究神经网络参数变化能否可靠代表输入—输出函数的变化，提出在 L² Hilbert 空间中直接计算函数距离，并将其用于限制任务间及单次更新中的函数变化。主要研究对象是通用神经网络优化与多任务学习，而非 EEG 或 BCI。 核心机制是区分参数空间中的 ℓ² 距离与函数空间中的 L² 距离。作者报告，函数距离的计算简单且在计算上可行；通过比较优化轨迹不同位置之间的两类距离，发现二者存在非平凡关系。作者报告，在所考察的网络优化过程中，L²/ℓ² 比值随优化下降，并在测试误差趋于平台时达到稳定值。摘要未提供网络、数据集、距离计算所依赖的输入分布、采样方式或具体数值，因此该现象的适用范围尚未验证。 作者进一步提出两项应用：在多任务学习中直接限制任务切换前后的输入—输出函数变化，以抑制灾难性遗忘；在每次参数更新时约束网络在 L² 空间中移动的距离，使新样本学习尽量少干扰已有行为。其方法区别于仅约束参数变化或依赖损失曲率等局部近似，但具体约束形式、优化实现、对照结果、消融及统计信息尚未验证。 平台推测（待验证）：若能用具有代表性的历史 EEG 输入估计函数距离，这一机制可能用于约束跨会话或连续任务适应时的预测漂移。可复用的是函数距离约束，需改造的是 EEG 输入采样、历史样本保留及任务输出对齐方式；低信噪比、通道变化、被试差异和小样本可能使距离估计不稳定，过强约束也可能妨碍必要适应。一个可检验的小实验是在固定通道和标签空间的跨会话顺序学习中，对照无约束、参数距离约束与函数距离约束，在一致数据划分下评估旧会话性能保持和新会话适应。该假设不等于已证实的 EEG 效果，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其直接度量和约束输入—输出函数变化的正则化思路，以检验参数距离能否可靠反映模型行为变化；其用于 EEG 持续学习的价值尚未验证。

1月1日周五
  1. OpenReview · EEG73

    基于 NeuCube 神经形态框架的演化时空数据机器：设计方法与应用示例

    基于摘要分析。本文面向大规模、快速到达的时空及频谱—时间数据，提出演化时空数据机器（eSTDM），并介绍基于 NeuCube 神经形态框架的构建方法。其主要研究对象是可持续适应数据流的多模块计算系统，EEG 是所列应用之一，而非唯一研究对象。 核心机制是以脉冲神经网络（SNN）作为主要处理模块，结合类脑信息处理原则实现演化连接系统（ECOS）。作者描述，该系统可从数据流中增量学习，在运行过程中加入新的输入变量、输出类别标签或回归输出，并持续调整结构与功能；系统还可进行可视化与解释，以支持知识发现。摘要未提供具体脉冲编码、学习规则、模块连接方式或结构更新条件，这些技术细节尚未验证。 早期事件预测的依据是：SNN 可在完整输入向量呈现之前产生脉冲响应。作者据此提出提前预测的能力，但摘要未说明预测触发规则、提前量定义、误报控制及其与完整输入预测的性能权衡，因此不能将该机制直接视为已验证的实时 BCI 优势。 作者报告展示了 EEG、fMRI、多传感地震、生态、气候及视听数据上的模式识别与早期事件预测应用示例，未在摘要中提供具体数据集、被试数、被试内或跨被试划分、对照基线及定量指标。实验协议、消融及统计信息尚未验证，各领域示例也不能据此直接比较。 实现方面，摘要介绍了 MATLAB、Java 和 PyNN（Python）版本；作者指出，PyNN 实现有助于在神经形态硬件平台上运行 eSTDM，但未给出代码开放状态、依赖版本或硬件实测结果。对于 EEG 研究，需进一步核对信号到脉冲的编码方式、空间映射、增量更新所需监督，以及早期预测的评估协议，才能判断其复现条件与实际适用范围。神经遗传 eSTDM 的扩展属于作者讨论的未来方向，不应视为本文已完成的贡献。

    阅读价值：值得阅读其以 SNN 支持时空数据流增量学习与早期事件预测的设计方法，以及 EEG 应用示例，但预测效果、结构适应能力和复现条件仍需全文核对。

1月1日周一
  1. OpenReview · Representation learning75

    人体动作的视角不变表示与学习

    基于摘要分析。该研究面向视频中的人体动作理解，提出利用轨迹时空曲率提取动态时刻与区间（dynamic instants and intervals），构造视角不变的动作表示，并用于自动动作分割与增量学习。 核心机制是先将视频中的动作转化为基于轨迹几何变化的表示，再据此区分和归并动作实例。作者称，系统可从没有初始动作模型的状态开始，逐步学习不同动作，并发现由不同人员、在不同视角下执行的同类动作。摘要所称“无需任何训练”应结合这一增量学习过程理解，不能据此认定系统完全没有学习或模型更新。 评估方面，作者报告使用了五名人员在不同视角下完成约50次动作的视频片段，并定性描述系统正确解释了大多数动作。这里的动作数量不能等同于动作类别数；摘要未提供可核对的 Accuracy 等指标，也未说明训练与测试划分，因此不能将其结果解释为严格的跨人员或跨视角泛化评估。 复现时需核对轨迹的获取方式、动态时刻与区间的判定规则、动作匹配和增量更新机制，以及视角不变性成立的几何条件。实验协议、对照、消融及统计信息尚未验证。原研究对象是视频动作识别，材料未提供 EEG 或 BCI 验证，不能将其视觉视角不变性直接等同于神经信号的跨被试或跨会话不变性。

    阅读价值：值得核对其如何利用轨迹的时空曲率构造视角不变动作表示，并在无初始动作模型的条件下实现增量学习；摘要仅提供定性结果，识别性能与不变性的适用条件尚未验证。