待验证50% 置信注意事项精确时间
在任务互补的场景下使用EWC把参数锁死在旧的最优位置附近，会阻碍模型充分吸收金融领域特有模式，拉低整体性能
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
已验证弹性权重巩固（EWC）通过费舍尔信息矩阵估计参数对旧任务的重要程度，对重要参数施加更强的正则化惩罚来缓解灾难性遗忘75% 相似待验证标准EWC通常采用对角Fisher信息矩阵近似参数重要性，计算成本低但假设各参数相互独立，忽略参数间相关性，对高度耦合的神经网络近似过于粗糙72% 相似待验证EWC在容量不足以容纳两个任务时只能减缓遗忘速度而无法从根本上解决容量瓶颈，且随任务数量增加约束项叠加导致开销增大72% 相似待验证在需要正则化的情形下，mini-KFAC EWC相比标准对角EWC能够实现更低的词错误率和更稳定的优化过程67% 相似待验证eGPU在计算密集型工作负载（如AI推理）中的性能损失通常低于图形渲染场景，因为模型权重加载到显存后无需频繁回传63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001286API
curl https://kongchang.com/api/v1/knowledge/claims/1001286MCP
get_claim(id=1001286)