主动感知与解耦表示实现持续、情景式的零样本和少样本学习

泛化常被视为机器学习的基本属性，但并非所有组件都需泛化。传统泛化训练易产生纠缠表示，阻碍持续或少样本学习中的快速更新。本文提出一种互补学习系统（CLS），其中快速学习者放弃泛化以换取持续的零样本和少样本学习能力。不同于主要利用情景记忆进行重放的主流方法，本系统的快速学习者作为并行推理机制运行，结合主动感知系统中的慢速统计学习者，通过上下文偏差诱导其将新刺激编码为熟悉的广义术语，从而实现鲁棒的持续学习。