研究揭示持续学习任务划分的隐含假设

Kathrin Korte等作者在arXiv发表论文，指出持续学习通常把数据集划分为任务并按顺序呈现，但数据相似度、变化速率和呈现顺序等因素究竟指代底层数据、数据划分还是学习器本身，往往未被明确。 作者通过受控的教师—学生实验表明，以不同粒度划分同一底层轨迹、改变呈现顺序、调整数据相似度结构，都会导致不同的测量结果。作者还审查了代表性基准，指出在预训练语料未公开的基础模型中，底层数据的属性由模型初始状态继承。

AI 根据报道生成 · 47 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。