待验证50% 置信权衡取舍精确时间
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
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66% 相似待验证应对灾难性遗忘的主流方法分为三类：参数隔离法（如Progressive Neural Networks）、正则化约束法（如EWC弹性权重巩固算法）、经验回放法63% 相似待验证低成本套餐通常意味着底层模型能力受限，复杂推理和多轮上下文追踪可能表现不稳定62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1001287API
curl https://kongchang.com/api/v1/knowledge/claims/1001287MCP
get_claim(id=1001287)