诊断持续学习中由捷径引起的刚性：Einstellung 刚性指数 (ERI)

深度神经网络经常利用捷径特征，即输入与标签之间的偶然关联，缺乏因果意义。捷径特征会削弱鲁棒性并降低在分布迁移下的可靠性。在持续学习 (CL) 中，捷径的利用后果会持续加剧：来自早期任务的权重会偏向表示复用，倾向于满足先前标签的最简单特征，类似于认知中的 Einstellung 效应，即过去的习惯会阻碍最优解。虽然灾难性遗忘会削弱过去的技能，但捷径引起的刚性则限制了新技能的获取。我们引入 Einstellung 刚性指数 (ERI)，一个紧凑的诊断工具，用于分离真实的迁移与基于线索的性能提升，包含三个可解释的维度：(i) 适应延迟 (AD)，(ii) 性能赘字 (PD)，以及 (iii) 相对次优特征依赖 (SFR_rel)。在一个包含人为性的 magenta 图块的 CIFAR-100 CL 基准测试的两个阶段中，我们评估 Naive 微调 (SGD)、在线弹性权重整合 (EWC_on)、Dark Experience Replay (DER++)、Gradient Projection Memory (GPM) 和 Deep Generative Replay (DGR)。在这些持续学习方法中，我们观察到 CL 方法在时间上比 Scratch-T2 基线更快达到准确率阈值（负 AD），但在带捷径类的最终准确率略低（正 PD）。遮蔽图块后，CL 方法的准确率提升，而 Scratch-T2 稍微下降，导致负 SFR_rel。这一模式表明，在本实验中，图块对 CL 模型而言是干扰项而非有益捷径。