HiCL：基于海马体的持续学习
机器学习
2026-02-11 v3 人工智能
摘要
我们提出HiCL，一种新型海马体启发的双存储持续学习架构，旨在通过利用海马体电路元素来缓解灾难性遗忘。我们的系统通过网格细胞类图层编码输入，随后使用以牙齿丘脑为灵感的稀疏模式分离模块。情景记忆痕迹在类似CA3的自关联记忆中维护。任务特定的处理通过DG门控混合专家机制动态管理，其中输入根据其归一化稀疏DG表示与通过在线指数移动平均计算的学习任务特定DG原型之间的余弦相似性进行路由。这种生物学依托但数学原理严谨的门控策略使我们能够在不依赖单独门控网络的情况下实现可微分、可扩展的任务路由，并增强模型在学习多个顺序任务方面的适应性和效率。皮层输出使用加权于任务相似性的弹性权重整合。关键的是，我们纳入了对存储图案的优先级回放，以强化关键过去经验。在标准持续学习基准测试上的评估表明，我们的架构在减少任务干扰方面有效，在较低计算成本下实现了持续学习任务的接近最先进的性能。我们的代码可在此处获取 https://github.com/kushalk173-sc/HiCL。
引用
@article{arxiv.2508.16651,
title = {HiCL: Hippocampal-Inspired Continual Learning},
author = {Kushal Kapoor and Wyatt Mackey and Yiannis Aloimonos and Xiaomin Lin},
journal= {arXiv preprint arXiv:2508.16651},
year = {2026}
}
备注
In proceeding of AAAI