arXiv：cs.LG（机器学习，全量分类）· Isabelle Aguilar, Zayn Andre Zainal, Luis Fernando Herbozo Contreras, Zhaojing Huang, Omid Kavehei·· 1 天前AI 评分34
TMLN：基于轨迹的损失景观导航方法缓解增量学习中的遗忘
Normative Loss Landscape Navigation: A Trajectory-Based Approach to Mitigating Forgetting in Incremental Learning
AI 导读
研究者提出 TMLN（Trajectory-Modulatory Landscape Navigation），将持续学习形式化为弯曲损失景观上的最优控制问题，用对角经验 Fisher 信息矩阵（FIM）定义局部黎曼流形，并依据网络参数的历史轨迹动态调节预条件器，直接融入梯度更新以保护关键参数方向，无需附加惩罚项。在类增量和域增量基准上，该方法显著降低了相邻任务间的损失障碍。
来源：arXiv：cs.LG（机器学习，全量分类） · arxiv.org