重新评估少样本适应下的持续学习

持续学习方法旨在最大化模型在任务序列训练中的稳定性与可塑性。传统稳定性指标（即遗忘程度）依赖模型对旧任务的零样本表现，但这无法全面衡量信息保留或快速适应能力。本文提出少样本评估范式，以更全面地评测持续学习系统。通过对图像分类任务序列的细粒度评估，并结合新提出的“每样本可塑性”指标，研究发现：通过元学习引入对未来任务序列的“预见性”，能诱导系统在任务序列中产生“学会学习”的行为，从而显著提升自适应能力。