arXiv cs.LG· Sima Hashemi, Daniel Durstewitz, Georgia Koppe·· 2026-10-02AI 评分34
基于可回收单元门控的循环神经网络动力学系统持续学习
Continual Learning of Dynamical Systems in Recurrent Neural Networks through Recyclable Unit Gating
AI 导读
研究人员针对循环神经网络的持续动力学系统重建（cDSR）问题，提出了持续可回收单元门控（CRUG）方法。该方法利用基于 $L_0$ 惩罚项训练的可微门控分配任务特定单元并回收未用单元，通过有向连接实现前向表征复用且不干扰已学习系统。实验表明 CRUG 实现了零遗忘与最优的重建与容量权衡，能可靠学习非线性和混沌系统序列，并可拓展至连续认知任务。
来源：arXiv cs.LG · arxiv.org