探索神经架构搜索与持续学习的交叉领域
人工智能
2025-02-20 v2 计算机视觉与模式识别
神经与进化计算
摘要
尽管人工神经网络（ANNs）取得了显著进展，其设计过程仍 notoriously 繁琐，主要依赖直觉、经验和试错。这种依赖人工的过程通常耗时且易出错。此外，模型一般受限于其训练上下文，未考虑周边环境。神经网络的持续自适应与自动化对若干部署后模型可及性受限的领域（如物联网设备、自动驾驶车辆等）至关重要。另外，即便可及的模型在部署后也需频繁维护以克服概念/数据漂移等问题，这可能繁琐且受限。通过利用并组合神经架构搜索（NAS）与持续学习（CL）的方法，可开发更鲁棒和自适应的智能体。本研究首次对 NAS 与 CL 的交叉领域进行广泛综述，形式化了前瞻性的持续自适应神经网络（CANNs）范式，并勾勒了终身自主 ANNs 的研究方向。
引用
@article{arxiv.2206.05625,
title = {Exploring the Intersection between Neural Architecture Search and Continual Learning},
author = {Mohamed Shahawy and Elhadj Benkhelifa and David White},
journal= {arXiv preprint arXiv:2206.05625},
year = {2025}
}