REDAR方法发布：强化学习驱动类增量学习

2026年10月26日，arXiv机器学习领域（cs.lg）发布论文《REDAR: Reinforcement-Driven Adaptive Regularisation》。该研究针对类别增量学习（CIL）任务，提出了一种名为REDAR的强化驱动自适应正则化方法。核心创新在于将正则化强度选择视为序贯决策问题，通过引入一个轻量级强化学习（RL）智能体来解决传统方法中的固有匹配问题。在事件的具体执行层面，该RL智能体会在每个增量阶段运作。它根据当前的性能指标以及传入数据的紧凑统计信息生成状态，并据此输出该特定阶段所需的蒸馏系数。这一机制旨在通过动态调整正则化强度，优化类别增量学习过程中的性能表现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。