待验证50% 置信事实精确时间
在持续学习领域,弹性权重巩固(EWC)等方法利用 Fisher 信息作为参数重要性的代理,对重要参数施加更强的更新惩罚以缓解灾难性遗忘。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
涉及实体
相关事实
待验证研究者已提出弹性权重巩固(EWC)、渐进式神经网络等缓解灾难性遗忘的方案,但在超大规模模型上的有效性仍是活跃研究方向72% 相似待验证学术界提出了 EWC(Elastic Weight Consolidation)、渐进式网络等方法试图缓解灾难性遗忘,但在大规模语言模型上的应用仍处于早期探索阶段70% 相似待验证Fisher Merging利用Fisher信息矩阵对不同参数赋予重要性权重,偏向于保留对各模型性能贡献更大的参数65% 相似待验证将记忆写入权重的技术路径主要探索方向包括持续微调、元学习以及参数高效微调方法如LoRA64% 相似待验证模型能否在超长上下文中准确定位关键信息、避免中间遗忘现象,是决定编程表现的关键因素64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1073997API
curl https://kongchang.com/api/v1/knowledge/claims/1073997MCP
get_claim(id=1073997)