记忆集成可重构适配器：面向多任务场景的统一框架

生物体在面对捕食者逃避、觅食、穿越崎岖地形和社交等任务时，常需在毫秒级时间内快速切换。令人惊叹的是，它们能在不产生灾难性遗忘的情况下保留已学习环境的知识，这一现象被神经科学家推测与单一神经电路—通过多巴胺和乙酰胆碱等神经调节剂动态叠加—有关。并行地，深度学习研究通过领域泛化（DG）和持续学习（CL）等方法处理类似挑战，但这些方法仍然孤立存在，尽管大脑能无缝完成这两者。特别是， prior work 尚未探索涉及关联记忆（associative memory, AM）的架构，这类记忆是生物系统的关键组成部分，以联合应对这些任务。我们提出记忆集成可重构适配器（Memory-Integrated Reconfigurable Adapters, MIRA），一种统一框架在共享 backbone 上叠加 Hopfield 式关联记忆模块。关联记忆 key 通过后置学习，用于索引和检索存储的适配器更新的仿射组合，以任意给定任务或域在每个样本级别上进行索引。仅通过变化任务特定目标，我们展示 MIRA 在单一框架下无缝适应领域迁移和顺序任务暴露。在标准基准上的经验评估表明，MIRA 的 AM 增强架构显著提升了适应性和保持能力：在 DG 中，MIRA 实现了超越现有 work 的最佳（SOTA）外分布准确率；在增量学习情境下，它超越专为处理灾难性遗忘而设计的通用 CL 算法的架构。通过将适配器基调与生物学启发的关联记忆统一，MIRA 在单一可扩展架构中实现快速任务切换和持久知识保存，指明了通往更灵活和记忆增强 AI 系统的道路。