待验证50% 置信事实精确时间
该研究提出的核心问题是：当梯度-based 遗忘器与仅在保留数据上重新训练的模型存在差异时，这种输出空间差距具有怎样的结构。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证现有梯度-based 遗忘方法仅部分地考虑了杠杆矩阵所刻画的几何关系，导致它们在输出空间行为上可能与重新训练模型产生显著偏差。79% 相似待验证该研究揭示了梯度-based 机器遗忘中损失与行为之间的根本性脱节，并提供了一个统一的输出空间分析框架。78% 相似待验证经验回放的核心机制是维护一个容量有限的内存缓冲区，存储历史任务的部分样本，在训练新任务时将其与当前数据混合构成小批量，使损失函数中始终包含旧分布的梯度信号。75% 相似待验证微调（fine-tuning）和持久记忆（persistent memory）解决不同问题：微调通过训练样本改变模型行为，持久记忆让应用外部存储信息并在需要时检索。75% 相似待验证这一差距源于谱空间中的偏差-方差权衡，研究团队给出了闭式刻画；从数据中学习 β 实现了自动谱正则化。73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1113841API
curl https://kongchang.com/api/v1/knowledge/claims/1113841MCP
get_claim(id=1113841)