研究者提出持续自适应行为保留框架CABA
Start here
2026年11月2日，arXiv机器学习领域发表研究，研究者提出了一种名为CABA的门控机制。该机制通过保留历史锚点并在冻结表征上约束最差锚点的前向KL散度，从而为模型的持续自适应过程提供无需动作标签的行为保留认证。在UCI人体活动识别实验中，当设定预算ε=0.05时，CABA成功将模型的平均遗忘率从无约束自适应状态下的1.01%降至0.00%，同时模型的最终平均准确率由93.04%调整为88.48%。
AI-generated from reports · Updated 6 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习基于保留锚点的持续自适应可认证行为保留
研究者提出 CABA 门控机制，通过保留历史锚点并在冻结表征上约束最差锚点的前向 KL 散度，为模型持续自适应提供无需动作标签的行为保留认证。在 UCI 人体活动识别实验中，当预算 $\epsilon = 0.05$ 时，CABA 将平均遗忘率从无约束自适应的 1.01% 降至 0.00%，最终平均准确率由 93.04% 调整为 88.48%。
Story heat trend
Current heat 8·Comparable peak 10（Nov 2 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.