已验证65% 置信事实精确时间
弹性权重巩固（EWC）通过费舍尔信息矩阵估计参数对旧任务的重要程度，对重要参数施加更强的正则化惩罚来缓解灾难性遗忘
3
来源数
65%
置信度
长期有效
时效性
2026/8/24
首次发现
来源
涉及实体
相关事实
待验证应对灾难性遗忘的主流方法分为三类：参数隔离法（如Progressive Neural Networks）、正则化约束法（如EWC弹性权重巩固算法）、经验回放法73% 相似待验证微调允许模型调整表征以更好服务下游任务，但需要更多标注数据和计算资源，且存在灾难性遗忘的风险68% 相似待验证EWC在容量不足以容纳两个任务时只能减缓遗忘速度而无法从根本上解决容量瓶颈，且随任务数量增加约束项叠加导致开销增大67% 相似待验证EWC在新任务训练时增加惩罚项L_new + λ·Σ_i F_i·(θ_i - θ*_i)²，Fisher信息值越高的参数惩罚力度越大，越难被修改66% 相似待验证微调存在灾难性遗忘风险，针对某一行为的微调可能降低模型在其他任务上的表现65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/796827API
curl https://kongchang.com/api/v1/knowledge/claims/796827MCP
get_claim(id=796827)