摘要
持续学习使神经网络能够按顺序学习任务而不遗忘先前获取的知识，但常受灾难性遗忘困扰。本文提出基于合作博弈论的 Shapley 神经元估值（SNV）框架，量化神经元在持续学习中的重要性。SNV 选择性地冻结重要神经元并保持其他神经元可塑，实现了无需缓冲且不扩展架构的持续学习。ImageNet-1k 实验表明，SNV consistently 优于现有无缓冲方法，在类增量和任务增量场景中准确率分别提升 2.88% 和 6.46%。
AI 推荐理由
论文聚焦持续学习与自我适应，通过神经元估值机制实现模型在无缓冲下的自我进化与知识保留。
研究机构
DIGIT and Department of Electrical and Computer Engineering, Aarhus University, Denmark
论文信息