热点事件持续更新
研究团队提出类增量学习自适应正则化方法REDAR
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月26日，arXiv发布了一篇关于面向类增量学习的强化驱动自适应正则化方法（REDAR）的研究报道。REDAR将类增量学习过程中的正则化强度选择建模为序列决策问题，利用轻量级强化学习Agent动态调节并输出每个增量阶段的蒸馏系数。该策略完全在初始阶段构建的伪任务上完成训练，部署到增量序列时无需进一步适配。在CIFAR-100和Tiny-ImageNet数据集上的实验表明，与固定系数和启发式基准相比，REDAR能够有效减少模型遗忘，同时提升了正向迁移表现。
AI 根据报道生成 · 7 小时前更新
最新进展10月26日 12:00
研究团队提出REDAR方法，利用强化学习Agent动态调节类增量学习的蒸馏系数。报道时间线
沿着报道，了解事件的不同侧面。
10月26日
- arXiv 机器学习REDAR：面向类增量学习的强化驱动自适应正则化
REDAR 将类增量学习中的正则化强度选择建模为序列决策问题，利用轻量级强化学习 Agent 动态输出每个增量阶段的蒸馏系数。该策略完全在初始阶段构建的伪任务上训练，部署于增量序列时无需进一步适配。在 CIFAR-100 和 Tiny-ImageNet 上的实验表明，REDAR 相比固定系数与启发式基准减少了遗忘并提升了正向迁移表现。
本事件热度走势
当前热度 8·可比范围峰值 10（10月26日 13:00）·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。