大脑不对称+睡眠机制让AI持续学习不遗忘，三数据集准确率98.3%！
In Two Minds about Lifelong Learning: Exploring Hemispheric Redundancy and Specialisation in Neural Models
👨💼 主理人解读 · 为什么值得关注
探索神经网络的半球冗余与特化机制，借鉴生物学习，缓解持续学习中的遗忘-适应权衡。
📖 AI 总结
这篇论文针对机器学习在持续学习能力上的不足，提出了一种受生物启发的宏观架构。当前算法常面临灾难性遗忘，即难以在保留旧知识与适应新数据间取得平衡，而生物系统却能持续学习。作者借鉴经验回放、快速眼动睡眠和大脑双侧性三个生物学概念，构建了名为4MAS的模块化架构。该架构模拟不对称的大脑半球，每个半球配备独立的长期与短期记忆机制，并在增量学习任务间引入“睡眠”阶段以巩固记忆。实验结果显示，该模型在Split-MNIST、Split-Fashion-MNIST和Split-CIFAR-100数据集上分别达到98.3%、84.9%和29.29%的准确率，取得了具有竞争力的表现。这项研究为设计更稳健的持续学习系统提供了新思路，表明借鉴神经科学原理能有效缓解机器学习中的遗忘问题。
🔑 关键词速览
| 持续学习 | 一种机器学习范式，使模型能够在不遗忘先前知识的情况下不断学习新任务。 |
| 灾难性遗忘 | 神经网络在学习新信息时迅速丢失旧知识的现象。 |
| 经验回放 | 一种通过重放过去经验来巩固记忆的技术，常用于强化学习和持续学习。 |
| 快速眼动睡眠 | 睡眠阶段之一，与记忆巩固相关，在梦中出现快速眼球运动。 |
| 4MAS | 本文提出的4模块清醒/睡眠宏观架构，模拟不对称半球和睡眠周期以增强持续学习。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅