English(EN) SR$^2$-LoRA: Self-Rectifying Inter-layer Relations in Low-Rank Adaptation for Class-Incremental Learning

新的SR2-LoRA方法解决了AI模型中的灾难性遗忘问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-08 08:14

研究人员推出了一种名为SR$^2$-LoRA的新方法，旨在解决类别增量学习（CIL）中的灾难性遗忘问题。该技术通过关注预训练模型在学习新任务期间层间关系的漂移来解决这个问题。通过约束这种漂移，SR$^2$-LoRA旨在保持先前学习任务的分类裕度，并随着学习任务数量的增加而提高性能。 AI

影响引入了一种缓解AI模型灾难性遗忘的新颖方法，有可能提高它们在不丢失先前知识的情况下顺序学习的能力。

排序理由该集群包含一篇详细介绍类别增量学习新颖方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yang Yang · 2026-05-08 08:14

SR$^2$-LoRA: Self-Rectifying Inter-layer Relations in Low-Rank Adaptation for Class-Incremental Learning

Pre-trained models with parameter-efficient fine-tuning (PEFT) have demonstrated promising potential for class-incremental learning (CIL), yet catastrophic forgetting still persists when adapting models to new tasks. In this paper, we present a novel perspective on catastrophic f…