摘要
数据漂移对生产环境中的机器学习系统构成重大挑战,需持续更新模型以维持性能。本文提出KC-Agent,这是一种结合快速模式识别(系统1)与深思熟虑的增量更新(系统2)的双过程认知架构。该方法通过结构化记忆系统,使系统1能利用系统2先前发现的成功解决方案,实现高效的基于模式的响应,避免昂贵的重新计算。KC-Agent引入原子变更原则和回滚机制,确保生产环境中更新的可靠性和可验证性。在包含真实NASA涡轮风扇数据和合成漂移场景的五组数据集上的评估显示,KC-Agent取得了最先进的性能(76.8%准确率)和最优效率(13.2秒执行时间),显著优于CodeAct、Tree of Thoughts等基线智能体。知识巩固机制在保持更高准确性的同时,比慢速变体实现了91%的速度提升。
AI 推荐理由
论文核心在于Agent的自我改进与自适应能力,通过双过程架构实现模型在数据漂移下的持续优化和知识巩固。
研究机构
Barcelona Supercomputing Center, Barcelona, Spain
Universitat Politècnica de Catalunya, Barcelona, Spain
Lenovo Infrastructure Solutions Group, Morrisville, NC, United States
Cotiviti, South Jordan, UT, United States
论文信息