[Submitted on 12 Jun 2026]

View PDF

Abstract:深度学习推动了人工智能领域的显著进展，尤其在机器人、图像和语音处理方面。然而，神经网络的一个主要局限在于其对大规模静态数据集的强烈依赖。在许多现实应用中，由于环境不断演变和动态变化，数据分布会随时间改变，这种条件很少得到满足。持续学习旨在通过在计算约束下平衡稳定性和可塑性，开发能够逐步适应的模型来应对这一挑战。本研究提出了一种新颖的持续时序预测框架，通过引入注意力机制引导的经验回放策略，扩展文献中常用的静态预测模型。该方法使模型能够动态适应新情境，同时保留先验知识，有效缓解灾难性遗忘。框架在标准预测基准以及具有多样时间行为的测压数据集上进行了评估。结果表明，我们的方法能够随时间有效提升或维持预测性能，同时降低再训练成本和数据需求，从而促进预测模型在动态现实场景中的部署。

Submission history

From: Quentin Besnard [view email] [via CCSD proxy]
[v1] Fri, 12 Jun 2026 11:44:05 UTC (925 KB)