语义概念引导打破持续学习中的解释漂移循环
在持续学习中，模型可能在保持预测准确率的同时，将注意力从具有诊断价值的特征转向虚假相关。本文提出 C^3L，将正则化建立在自动发现、与类别一致的语义概念上，而非模型自身的显著性图，以避免加剧解释漂移的反馈循环。作者报告称，在五个基准测试和 20 多种对比方法中，该方法在准确率、遗忘、解释质量、虚假相关抑制及分布外鲁棒性方面均有所提升。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。