通过课程驱动的持续DQN扩展缓解自适应列车调度中的稳定性-可塑性困境

BriefGPT - AI 论文速递 · 2024-08-19T00:00:00Z

本文介绍了RDAC框架，解决了连续学习算法中的稳定性和可塑性之间的权衡问题。验证实验结果表明，该算法在保持稳定性的同时没有明显损失可塑性。研究为现有连续学习算法提供了有价值的见解，并为新的连续学习方法铺平了道路。同时，研究提供了对生物系统中学习诱导的激活/表示变化与稳定性-可塑性困境以及再现漂移问题的新视角。