待验证50% 置信事实精确时间
EWC的有效性依赖参数重要性在任务间保持稳定的假设，当跨用户漂移导致输入分布剧变时，Fisher估计可能失真，惩罚项反而束缚模型适应新用户的能力。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
sEMG手势识别跨用户适应：持续学习策略对比与训练稳定性
rss2026/10/25
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79% 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76% 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73% 相似待验证EWC在新任务训练时增加惩罚项L_new + λ·Σ_i F_i·(θ_i - θ*_i)²，Fisher信息值越高的参数惩罚力度越大，越难被修改67% 相似待验证级联回退机制在小模型输出置信度低于预设阈值或被质量评估模型判定不达标时，自动将请求升级至更强的模型66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1102419API
curl https://kongchang.com/api/v1/knowledge/claims/1102419MCP
get_claim(id=1102419)