热点事件观察中
研究者提出TMLN方法缓解增量学习灾难性遗忘
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年9月30日，研究者在arXiv发布论文，提出名为TMLN的损失景观导航方法，以应对增量学习中的灾难性遗忘难题。该研究将持续学习形式化为曲面损失景观上的最优控制问题，利用对角经验Fisher信息矩阵（FIM）构建局部黎曼流形，并结合网络参数的历史轨迹动态调制梯度预处理器，实现了无需依赖加性惩罚项的目标。在类别增量与领域增量基准评测中，TMLN方法显著降低了连续任务间的损失壁垒。
AI 根据报道生成 · 4 小时前更新
最新进展9月30日 12:00
研究者提出基于损失景观导航的TMLN方法，显著降低增量任务间的损失壁垒。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv 机器学习损失景观导航：基于轨迹缓解增量学习遗忘的方法
研究者提出 TMLN 方法，将持续学习形式化为曲面损失景观上的最优控制问题，以缓解灾难性遗忘。该方法利用对角经验 Fisher 信息矩阵（FIM）构建局部黎曼流形，并结合网络参数历史轨迹动态调制梯度预处理器，无需依赖加性惩罚项。在类别与领域增量基准评测中，该方法显著降低了连续任务间的损失壁垒。
本事件热度走势
当前热度 5·可比范围峰值 5（10月1日 12:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。