在静默自由度中回放：无需离线阶段的持续学习

研究人员提出一种在静默自由度中回放的机制，通过隔离规则将更新限制在当前输入未激活的隐藏突触中，实现无离线阶段的持续学习。在类增量 split-MNIST 评测中，系统在无离线阶段下达 91.6±0.3% 准确率，单次遍历以 91.8% 超过 DER++（90.1%）。该机制引入不应期旋转规则扩大巩固集合，亦适用于带 k-WTA 隐藏层的反向传播网络。