人工神经网络需要树突纳米管吗：持续学习中重要性估计收缩
原文标题：Do Artificial Neural Networks Need Dendritic Nanotubes? Two Reasons for Shrinking Importance Estimates in Continual Learning
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文从树突纳米管启发的机制出发，发现随机横向连接扩散重要性标签可提升 20 任务 Permuted MNIST 准确率 1.5–2.6 个百分点，并证明其本质是对重要性做向层均值的线性收缩。研究进一步区分 EWC 的方差效应与 MAS 的偏差效应，指出标准异方差经验贝叶斯规则会过度收缩最大 Fisher 估计。
- 问题
- 持续学习中的参数重要性估计来自有限样本，却被当作精确值使用。
- 方法
- 用随机横向连接在隐藏单元间扩散重要性标签，等价于把重要性向层均值做线性收缩。
- 结果
- 20 任务 Permuted MNIST 准确率提升 1.5–2.6 个点；EWC 增益随样本数每增十倍约降 10 点。
- 影响
- 无需改模型结构，仅对重要性做收缩即可稳定持续学习，但收缩会牺牲可塑性，需按任务遗忘程度权衡。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。