Key points are not available for this paper at this time.
क्रमिक रूप से कार्य सीखने की क्षमता कृत्रिम बुद्धिमत्ता के विकास के लिए महत्वपूर्ण है। अब तक न्यूरल नेटवर्क इस क्षमता से लैस नहीं थे और व्यापक रूप से माना जाता था कि विनाशकारी भूल कनेक्शनिस्ट मॉडलों की अपरिहार्य विशेषता है। हम दिखाते हैं कि इस सीमा को पार करना संभव है और ऐसे नेटवर्क प्रशिक्षित किए जा सकते हैं जो उन कार्यों पर विशेषज्ञता बनाए रख सकें जिन्हें उन्होंने लंबे समय तक अनुभव नहीं किया है। हमारा तरीका पुराने कार्यों को याद रखता है जिससे संबंधित महत्वपूर्ण वेट्स पर सीखने की प्रक्रिया धीमी कर दी जाती है। हम अपने दृष्टिकोण को एक हैंड-रिटन अंक डेटासेट पर आधारित वर्गीकरण कार्यों के सेट को हल करके और कई Atari 2600 गेम्स को क्रमिक रूप से सीखकर प्रभावी और स्केलेबल साबित करते हैं।
Building similarity graph...
Analyzing shared references across papers
Loading...
James Kirkpatrick
Razvan Pascanu
Neil C. Rabinowitz
Proceedings of the National Academy of Sciences
Imperial College London
DeepMind (United Kingdom)
Building similarity graph...
Analyzing shared references across papers
Loading...
किर्कपैट्रिक एट अल. (मंगलवार,) ने इस प्रश्न का अध्ययन किया।
www.synapsesocial.com/papers/69d98341e6ab964fb0835e41 — DOI: https://doi.org/10.1073/pnas.1611835114
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: