[Submitted on 12 Jun 2026]

View PDF

Abstract:深度學習已為人工智慧帶來顯著進展，特別是在機器人、影像與聲音處理領域。然而，神經網路的一大限制仍然是其對大型且靜態資料集的強烈依賴。在許多真實世界的應用中，由於資料分佈隨時間變化，此類條件極少滿足。持續學習旨在透過開發能在運算限制下逐步適應、同時維持穩定性與可塑性平衡的模型來因應此挑戰。在本研究中，我們提出一種新穎的持續時間序列預測框架，透過融入由注意力機制引導的經驗回放策略，擴展文獻中常用的現有靜態預測模型。此方法讓模型能動態適應新情境，同時保留既有知識，有效減緩災難性遺忘。我們在標準預測基準以及具有多樣化時間行為的地下水位資料集上評估此框架。結果顯示，我們的方法能有效提升或維持隨時間的預測效能，同時降低再訓練成本與資料需求，進而促進預測模型在動態與真實世界環境中的部署。

Submission history

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