MICE机制解决表格模型概念漂移回忆困境
热点事件持续更新
MICE机制解决表格模型概念漂移回忆困境
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
针对Web数据流中过去概念回归引发的“回忆或重学”困境，Zhangkai Wu等人于2026年10月28日在arXiv提出MICE（Mixture of In-Context Experts）框架。 该机制为免训练设计，核心在于将数据流切分为片段，并将已闭合片段合并至存储上下文，以优化表格基础模型的适应力。 MICE利用快速层根据对数损失对存储上下文与FIFO窗口进行加权，并结合慢速层混合预测。实验表明，其在随机边界网格流及真实流中取得最高平均准确率。 研究证明预测学习曲线可预测实际回忆增益排序，该机制表现优于重置策略及全量存储池，有效解决了概念漂移下的决策难题。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
提出 MICE 机制以解决表格基础模型在概念漂移中的“回忆或重学”决策报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · ML提出 MICE 机制以解决表格基础模型在概念漂移中的“回忆或重学”决策
针对 Web 数据流中过去概念回归导致的“回忆或重学”困境，本文提出免训练框架 MICE，通过合并已闭合片段至存储上下文优化 TFM 适应力。 MICE 利用快速层根据 log-loss 对存储上下文与 FIFO 窗口加权，结合慢速层混合预测，在随机边界网格流及真实流中展现出最高平均准确率。 该机制证明预测学习曲线可预测实际回忆增益排序，优于重置策略及全量存储池。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。