SynEVO：基于神经科学理论的跨域演化框架

从时空系统中发现规律性可以惠及各种科学和社会规划。当前的时空学习器通常在特定源数据上独立训练，导致在不同来源之间受限的可转移性，其中即使是相关任务也需要新的设计和训练。增加跨域知识的关键在于实现集体智慧和模型演化。在本文中，受神经科学理论启发，我们在理论上推导通过学习跨域集体智慧所实现的信息边界，并提出了突触演化时空网络SynEVO，其中SynEVO打破了模型的独立性，使跨域知识得以共享和聚合。具体而言，我们首先重新排序样本组以模拟人类课程学习，设计两个互补的学习器——弹性公共容器和任务无关提取器——以允许模型增长和任务级常见性与个性分离。然后，一个自适应动态 coupler 配合新的差异度量标准，以确定新样本组是否应被纳入公共容器以实现在不同域下的模型演化。实验表明，SynEVO在跨域情景下提升了泛化能力，最多可提高42%，而SynEVO为神经AI提供了知识传递和适应的范式。