持续学习
Parent: ai_keywords
核心定义
持续学习（Continual Learning） 是人工智能与神经科学交叉领域的关键概念，指模型或生物系统在连续获取新信息的同时，有效保留并整合先前知识，避免灾难性遗忘，实现动态、终身化的适应与演进。在机器学习中，它解决固定数据分布假设的局限；在神经科学中，对应大脑海马-新皮层记忆巩固、突触可塑性等终身学习机制。
关键技术点
- 弹性权重巩固（EWC）
通过正则化策略，对影响旧任务重要性的参数施加高惩罚，保护核心权重不被新学习覆盖，模拟突触稳态调节。 - 重放机制（Memory Replay）
从存储的旧任务样本中随机采样，与新数据混合训练，类似海马体在慢波睡眠中重放记忆以巩固长期皮层存储。 - 结构动态扩展
模型（或生物突触）根据任务复杂度自适应生长或修剪连接，如神经网络的渐进式神经元分配，对应成年神经发生。 - 元学习与任务边界检测
使用超网络或梯度分化策略识别新任务起始点，主动优化初始化参数，使模型快速适应而不干扰原有知识。 - 突触可塑性启发算法
借鉴Hebbian可塑性与突触逆熵（如LTP/LTD平衡），设计局部学习规则，允许权重在持续输入中保持稳定并更新。
医学/神经科学应用场景
首都医科大学神经病学系（依托宣武医院、天坛医院）在阿尔茨海默病（AD）早期智能监测中，部署持续学习框架：
- 模型持续吸收来自社区筛查、队列随访的多模态影像（MRI/PET）、血浆标志物与认知评估数据。
- 利用EWC+重放机制，避免因医院升级设备或新增检测指标（如Aβ-42、p-tau217）导致对早期AD特征（海马萎缩、默认模式网络失连）的遗忘。
- 同时引入突触可塑性启发的局部权重调整，使模型在保留旧患者长期轨迹规律的同时，动态拟合新入组病理变异（如混合病理、非典型进展）。
该系统已在多中心前瞻性队列中验证，能稳定增量学习超千例纵向数据，诊断AUC持续提升且无回忆偏差，为神经退行性疾病终身管理提供可进化的人工智能助手。
