.png){kind=icon}
返回
Rethinking Continual Learning Through Self-Adaptive Learning
.png){kind=icon}
OA
AI
DOI：10.3390/make8090257.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持续学习在实现动态环境下的自适应机器学习方面取得了显著进展，但实际部署日益使系统面临持续恶劣条件，包括分布偏移、特征演化、监督延迟或稀缺、数据不平衡、噪声以及重复或新类别。尽管以往研究主要孤立地应对这些挑战，但日益复杂的环境促使我们重新思考持续适应应被视为一种自我调节过程，而不仅仅是参数更新问题。基于新兴的自适应学习（SAL）框架，本文探讨了学习系统如何在持续不确定条件下超越被动适应，实现自主识别、策略选择和情境敏感的学习行为调节。本文并未提出具体的算法解决方案，而是将SAL定位为未来研究韧性、长寿命机器学习系统的概念性系统框架。我们讨论了对部署鲁棒性、评估、安全性和适应性治理的关键影响，同时概述了开发实用自我调节学习者的主要开放挑战。通过强化SAL作为前瞻性框架，本研究旨在推动关于机器学习系统在动态真实环境中实现持续自主性的更广泛讨论。
Keyword:
continual learning
self-adaptive learning
concept drift
non-stationary environments
adaptation regulation
期刊
M
IF:
6
论文数:
825
被引数:
1.8K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏分享收藏分享收藏
查看更多内容