演化神经网络中灾难性遗忘的缓解

通用人工智能（能够执行任何任务的机器）发展的关键 stepping stone，是产生能够同时执行多个任务而非仅一个任务的智能体。不幸的是，典型方法极易遭受灾难性遗忘（CF）——即在学习新任务时覆盖关于旧任务的知识。近期努力已开发出克服学习系统中 CF 的技术，但尚未有人尝试将这些新技术应用于演化系统。本研究提出一种新技术——权重保护，通过改编学习系统中的方法来减少演化系统中的 CF。它与其他克服 CF 的演化方法结合使用，并在应用于一组强化学习任务时被证明能有效缓解 CF。据推测，本工作可表明现有基于学习的方法在演化系统中具有更广泛应用潜力，并且就减少 CF 而言，演化技术或许能与学习系统竞争甚至更优。