研究人员开发了一种名为概念一致持续学习（C3L）的新方法，以解决持续学习模型中的“解释漂移”问题。这种漂移发生在模型保持准确性但将其注意力从相关特征转移到虚假关联时。C3L将正则化锚定到语义发现的概念上，这些概念独立于模型状态，从而防止模型强化不正确的注意力模式。该方法自动化了概念发现和空间定位，在准确性、解释质量和鲁棒性等多个基准测试中展示了最先进的性能。 AI
影响 解决了持续学习中的一个关键挑战，有望提高模型的可靠性和可解释性。
排序理由 该集群包含两篇相同的学术论文，详细介绍了一种新的研究方法。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
C3L prevents explanation drift in continual learning by anchoring saliency regularization to offline-discovered semantic concepts, suppressing spurious correlations through a relevance crowding-out effect.
arXiv:2610.33877v1 Announce Type: new Abstract: Catastrophic forgetting in continual learning (CL) manifests not only as accuracy degradation but also as \emph{explanation drift}: models maintain predictive accuracy while silently shifting attention from diagnostic features to sp…