自编码器结合持续学习:现状、挑战与展望

• 全文链接
• 请求原文

作   者：

吴美君;  杨新;  潘超凡;  李天瑞;  寇纲; 

作者机构：

西南交通大学计算机与人工智能学院;  西南财经大学工商管理学院;  西南财经大学认知计算与群智协同创新实验室; 

关键词：

灾难性遗忘;  知识传输;  模型优化;  自编码器;  持续学习; 

期刊名称：

计算机学报

i s s n：

0254-4164

年卷期：

2025 年 48 卷 002 期

页   码：

317-357

摘   要：

近年来,许多研究利用自编码器进行增量式学习,以在面对新的数据分布、类别或任务时平衡模型的稳定性与可塑性。这些研究从多个角度推动了持续学习的发展。同时,持续学习的范式通过优化策略促进了自编码器架构的改进,实现了自编码器与持续学习之间的相互促进。目前,自编码器与持续学习的结合在多个领域都影响深远。本文对近五年来的相关研究进行了综述,概述了自编码器的类型与特点,持续学习的常见增量场景与主要挑战,并对二者在不同领域的应用情况进行了详细介绍。最后,本综述对当前研究的优点、局限性以及未来应用的前景进行了总结,旨在为推动持续学习与自编码器的结合与发展提供有价值的参考。