研究者提出按表征漂移分配保持强度的域增量学习方法

Hyunmin Kong、Gyutae Oh 与 Jitae Shin 提出一种基于表示漂移的域增量学习保持方法，用来缓解模型适配新域时旧域性能退化的问题。 该方法把“表征漂移”定义为过去概念当前表征与固定锚点的偏差，并将其作为遗忘风险的可测代理；再按实测漂移分配保持强度：高漂移的域类对获得更强的巩固损失，高漂移的域在原型构建中被降权。 上述定义与做法来自研究者自述，报道未给出实验验证的效果数据。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。