.png){kind=icon}
返回
Continual Learning Inspired by Brain Functionality: A Comprehensive Survey
.png){kind=icon}
OA
AI
DOI：10.1155/int/3145236.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于神经网络的方法已在各个领域展现出巨大成就。然而，标准基于AI的系统在动态环境中进行多任务顺序学习时，会遭受灾难性遗忘。持续学习作为一种有前景的方法应运而生，用以解决灾难性遗忘问题。它使AI系统能够为未来任务学习、迁移、增强、微调和重用知识。实现持续学习的技术灵感来源于人类大脑的学习过程。本研究全面回顾了持续学习领域的研究和最新进展，突出了关键贡献与挑战。我们探讨了对于实现持续学习至关重要的生物大脑的基本功能，并将这些功能映射到近期机器学习方法上以促进理解。此外，我们对受生物大脑启发的五种近期持续学习方法进行了批判性综述。我们还提供了实证结果、分析、挑战及未来方向。我们希望本研究能通过提供该领域最新发展的完整图景，惠及普通读者与研究界。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.7
论文数:
3.1K
被引数:
8.1K
机构
引用论文
Efficient Perturbation Inference and Expandable Network for continual learning.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏分享收藏
查看更多内容