Dream2Learn：用于持续学习的结构化生成式梦境

针对持续学习中可塑性与稳定性的平衡及灾难性遗忘问题，本文受人类梦境启发，提出 Dream2Learn（D2L）框架。该框架使模型能从内部表示中自主生成结构化的合成经验以进行自我改进。不同于重建过往数据的生成式回放，D2L 利用分类器驱动软提示优化，条件化冻结扩散模型，创造与已学知识一致但非观测过的新颖语义类别。这些“梦境”样本用于扩展和重组表征空间，支持前向知识迁移。实验表明，D2L 在多个数据集上优于强基线，实现了正向迁移，证实了通过内部生成信号提升适应性的能力。