热点事件观察中
arXiv论文提出静默自由度回放机制实现无离线持续学习
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29日，arXiv公开的一项机器学习研究提出了一种在静默自由度中回放的新机制，旨在实现无需离线阶段的持续学习。该机制通过隔离规则，将参数更新限制在当前输入未激活的隐藏突触中，同时引入不应期旋转规则以扩大巩固集合，亦可适用于带有 k-WTA 隐藏层的反向传播网络。实验数据显示，在类增量 split-MNIST 评测中，该系统在无离线阶段下达到了 91.6±0.3% 的准确率；在单次遍历设定下，其准确率达到 91.8%，超过了 DER++ 的 90.1%。
AI 根据报道生成 · 7 小时前更新
最新进展9月29日 12:00
研究提出静默自由度回放机制，在split-MNIST单次遍历评测中以91.8%准确率超越DER++。报道时间线
沿着报道，了解事件的不同侧面。
9月29日
- arXiv 机器学习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。
本事件热度走势
当前热度 5·可比范围峰值 5（9月30日 10:00）·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。