📖 AI 总结

该研究探讨了一个核心问题：受生物约束的局部学习规则训练的网络，能否完全无需离线阶段就实现持续学习中的记忆巩固。作者提出三项机制：隔离规则将回放更新限制在当前输入不可见的隐藏突触上，优化器状态仅在掩码内推进；不应期轮换规则让刚激活的单元跳过下一轮竞争，扩大可巩固集合；稳态压力与相对新颖性门控决定回放爆发的时机。这一思路反转了通常的非干扰持续学习方向：保持当前输入的隐藏计算不变，同时将过去记忆写入当前批次未使用的自由度中。在类增量split-MNIST上，系统无需离线阶段即达到91.6%±0.3%，在两个留出划分上达到或超过最佳离线夜间调度，与DER++持平并优于经验回放、ER-ACE、A-GEM等方法；单遍学习中领先DER++（91.8%对90.1%）。优势在小缓冲区时最明显，大缓冲区时让位于反向传播参考方法。轮换贡献了大部分增益，隔离则提供不变性保证。该机制不限于局部规则，在相同调度下，带k-WTA隐藏层的反向传播网络同样受益。

🔑 关键词速览