基于脑类比时间发展机制的认知功能持续学习

当前人工智能网络中的认知功能与网络规模的指数增长相关联，而人类大脑能够以极低的能耗持续学习数百种认知功能。这种优势部分源于大脑跨区域的时间发展机制，即从基础区域到高级区域的连接的渐进形成、重组和修剪，有助于知识传递并防止网络冗余。受到启发，我们提出了一种基于脑类比时间发展机制的持续认知功能学习方法 (TD-MCL)，使其在感知-动作-交互 (PMI) 多认知任务场景中实现认知功能的从简单到复杂的增强。TD-MCL 模型提出了不同认知模块之间长程连接的顺序演化，以促进积极的知识传递，同时使用反馈引导的局部连接抑制和修剪有效消除先前任务的冗余，从而在保持已获取知识的同时降低能耗。实验表明，所提出的方法能够在不引入正则化、回放或冻结策略的情况下实现持续学习能力，同时减少网络规模，并在新任务上实现优于直接学习的更高准确率。该方法表明，大脑的发育机制为探索生物学上可信的、低能耗的认知能力提升提供了宝贵的参考。