CEL：基于弹性权重一致性的领域适应，用于疾病爆发预测的持续学习模型

在医疗电子健康记录（EHR）数据高度不平衡的情况下，如何提升机器学习模型的性能？

文章指出，对于高度失衡的EHR数据和相关COVID-19数据分析，对比损失（CL）能够提高交叉熵损失（CEL）的性能，尤其是在机器学习模型需要大规模、平衡的训练数据以在医疗场景中具有鲁棒性、可泛化性和有效性的情况下，该方法可扩展并用于EHR机器学习工作。

循环神经网络（RNN）在连续学习中如何处理输入分布的概念漂移？

文章提到，基于RNN的连续学习模型利用弹性权重合并法（EWC）处理输入分布的概念漂移，通过在两种不同类型的RNN上实现和测试EWC，比较了改进后的架构与EWC和RNN在标准连续学习基准测试中的表现差异，并高亮了需要专门解决RNN中连续学习的问题。

在跨医学影像数据集（如ChestX-ray14和MIMIC-CXR）上，哪种连续学习方法能有效缓解灾难性遗忘并提升泛化能力？

文章表明，通过探究连续学习技术如联合训练、弹性权重整合和无遗忘学习等方法，可以在目标域上提高深度学习模型的性能，并有效缓解源域上的灾难性遗忘。在ChestX-ray14和MIMIC-CXR数据集上的实证研究表明，联合训练是最佳方法，而无遗忘学习的结果也相当不错。

CoMA和CoFiMA是什么？它们在连续学习中有什么优势？

CoMA（Continual Model Averaging）是一种加权集成模型，在保持稳定性的同时，通过利用可塑性在当前任务上达到高准确性。CoFiMA（Continual Fisher-weighted Model Averaging）是CoMA的改进变体，通过利用模型权重的Fisher信息，有选择地对加权集合中的每个参数进行加权。这两种变体概念简单、易于实现，并在多个标准连续学习基准测试中实现了最先进的性能。

在血液白细胞分类中，如何利用连续学习进行反复学习并超越现有基线？

文章提出了一种基于示范集选择的血液白细胞分类的反复学习方法，对不同领域和类别的白细胞进行分类，在交叉域环境中优于现有的基线方法iCaRL和EWC。

边缘云协作学习框架如何提升动态边缘环境中的模型性能和资源利用效率？

通过ECLM边缘云协作学习框架，将边缘和云模型高效协作，在动态边缘环境中提高模型性能和资源利用效率。

在类递增学习（CIL）中，如何解决遗忘和不平衡问题？

文章提出了一种基于预测误差的分类（PEC）新方法，用于解决类递增学习中的遗忘和不平衡问题。实验结果表明，PEC在单次数据通过的CIL中表现出色，能够在多个基准测试中优于其他无重复排练基线和中等重放缓冲区大小的重放基础方法。

在情感分析的序贯域适应中，如何避免灾难性遗忘？

文章提出了一个基于弹性权重合并（EWC）并基于上游任务信息的序贯域适应框架，来解决在不同领域上情感分析同时训练时的灾难性遗忘问题，并在实验中证明了该框架的有效性。

疫情期间的能源负荷预测面临分布区间外问题，连续学习如何帮助解决？

文章基于深度学习算法和连续学习技术进行能源负荷预测研究，特别针对疫情期间的分布区间外问题和人类流动数据的利用。

在医学影像领域，单一模型能否顺序学习不同专业的新任务并达到与传统方法相当的性能？

文章通过评估四个不同医学图像场景中各种连续学习方法的性能表明，单一模型可以顺序地学习来自不同专业的新任务，并达到与传统方法相当的性能，从而证明了在医学领域跨机构共享或回收模型的可行性，进一步推动了通用医学影像人工智能的发展。