终身学习
Parent: ai_keywords
终身学习
核心定义
终身学习（Continual/Lifelong Learning）指人工智能系统能够持续、增量地从新数据或新任务中学习知识，同时避免灾难性遗忘。其核心挑战在于平衡“稳定性”（保留旧知识）与“可塑性”（吸收新知识）。区别于传统“离线训练-固定部署”模式，此概念强调模型与环境动态交互的适应能力。
关键技术点
- 弹性权重巩固：在损失函数中引入权重重要性约束，对旧任务重要参数的更新施加惩罚，实现抗遗忘的同时保留对新任务的学习空间。
- 记忆重放与经验回放：定期从保留的少量旧样本或生成样本中抽样，将新旧数据混合训练，在重构旧分布的同时学习新分布。
- 动态架构扩展：当新任务到来时，不限制模型容量，而是主动增加新的神经元或网络分支，通过正则化或稀疏化控制参数膨胀。
- 知识蒸馏：利用旧模型作为教师，将旧知识的软标签或特征分布迁移至当前新模型中，以无额外存储开销的方式实现知识压缩与传递。
医学/神经科学应用场景
帕金森病可穿戴运动评估的渐进式自适应系统
结合首都医科大学神经病学研究所对运动障碍疾病的长期随访经验，终身学习在智能监测领域具有独特优势。例如，利用腕部加速度计持续采集患者日常步态与震颤数据。随着疾病进展（如从Hoehn-Yahr 2级到3级），患者的运动模式特征会发生缓慢漂移。
传统固定模型需定期重新标注并昂贵地重新训练。而基于终身学习的系统：
- 渐进适应：通过弹性权重巩固机制，在优化新症状（如步态冻结）识别时，保持对旧症状（如静止性震颤）的高判别力。
- 动态更新：使用经验重放技术，从每日数据流中自动选择异常步态片段进行回放，防止遗忘罕见但关键的“开-关”期运动波动。
- 个体化架构：当出现新型运动特性（如药物导致的舞蹈样动作）时，动态扩展网络分支，不破坏已习得的典型PD模式。
此系统最终可实现无需人工干预的、终身型个性化神经电生理标记监测，为调整深部脑刺激参数或药物剂量提供连续、客观的决策依据，其灵感部分来源于大脑基底节环路在面对突触可塑性（LTP/LTD）与稳态可塑性（允许新学习而不覆盖旧记忆）之间的终身平衡机制。
