MoB：竞价者混合

专家混合（MoE）架构在扩展神经网络方面展示了显著成功，但其应用于持续学习仍受到一个关键脆弱性的根本限制：学习到的门控网络本身遭受灾难性遗忘。我们提出了MoB（Mixture of Bidders），一个将专家路由重新构想为去中心化经济机制的新框架。MoB用Vickrey-Clarke-Groves（VCG）拍卖替代学习到的门控网络，专家通过竞标其真实成本来争夺每个数据批次——这是执行成本（预测损失）和遗忘成本（弹性权重巩固惩罚）的原则性组合。这种博弈论方法提供了三个关键优势：（1）不受灾难性遗忘影响的{无状态路由}，（2）由占优策略激励兼容性保证的{真实竞标}，以及（3）无需显式任务边界的涌现专业化。在Split-MNIST基准测试上，MoB达到88.77%的平均准确率，而门控MoE为19.54%，单体EWC为27.96%，相比最强基线提升了4.5倍。我们进一步扩展了MoB，加入自主自我监控专家以检测自身的知识巩固边界，消除了对显式任务划分的需求。