学术背景 在机器学习和神经网络领域，持续学习（Continual Learning）是一个重要的研究方向。持续学习的目标是让模型能够在一系列任务中不断学习新知识，同时避免遗忘已经学到的旧知识。然而，现有的持续学习方法面临一个主要挑战：灾难性遗忘（Catastrophic Forgetting）。灾难性遗忘指的是模型在学习新任务时，会迅速遗忘之前学到的知识，导致旧任务的性能大幅下降。这一问题在现实应用中尤为突出，因为许多任务需要模型在不断变化的环境中持续学习和适应。 为了解决这一问题，研究者们提出了多种方法，其中基于回放的方法（Rehearsal-based Methods）是一种常见的解决方案。这类方法通过存储旧任务的代表性样本，并在学习新任务时回放这些样本来巩固旧知识。然而，现有的回放方法...

基于高阶运动流的共轭视觉表征持续学习：CMOSFET模型的研究 学术背景 在人工智能和计算机视觉领域，如何从连续的视觉数据流中进行持续学习（Continual Learning）是一个长期存在的挑战。传统的机器学习方法通常依赖于独立同分布（i.i.d.）的假设，即所有训练数据在训练时是静态且可用的。然而，现实世界中的视觉数据往往是连续的、非独立同分布的，这给模型的训练带来了巨大的困难。此外，现有的无监督学习方法大多依赖于大规模的离线训练数据集，这与人类和动物通过连续体验环境进行学习的方式截然不同。 为了解决这些问题，Simone Marullo、Matteo Tiezzi、Marco Gori和Stefano Melacci等研究人员提出了一种新的无监督持续学习模型，名为CMOSFET（Co...