Continual Learning Neuromodulation Plasticity Adaptability
摘要

持续学习要求模型顺序学习任务,但深度神经网络常面临可塑性丧失和知识迁移困难的问题。受大脑全局神经调节机制启发,本文提出NeuMoSync架构,将动态、神经元特定的调制整合到深度网络中。该架构为每个神经元引入可学习的特征向量以追踪历史上下文,并通过高层模块合成基于当前输入和网络状态的信号,自适应地调节激活动力学和突触可塑性。在多种持续学习基准上的实验表明,NeuMoSync能有效保持可塑性,并在前向和后向适应性方面优于现有方法。

AI 推荐理由

论文聚焦持续学习中的自适应与可塑性,通过神经调节机制实现模型在序列任务中的自我调整与进化。

研究机构
Simon Fraser University Department of Computer Science, McGill University
论文信息
作者 Seyed Roozbeh Razavi Rohani, Khashayar Khajavi, Wesley Chung, Mandana Samiei, Mo Chen
发布日期 2026-08-05
arXiv ID 2608.04358
相关性评分 9/10 (高度相关)