L'apprendimento continuo passa dall'adattamento incentrato sui parametri a quello a livello di sistema

Il recente articolo arXiv intitolato 'Continual Learning in Transition' (arXiv:2608.06216) suggerisce una trasformazione significativa nell'apprendimento continuo (CL) dai metodi convenzionali incentrati sui parametri a un approccio di adattamento più orientato al sistema. Le strategie CL tradizionali danno priorità alla conservazione e all'aggiornamento delle conoscenze tramite tecniche incentrate sui parametri, inclusi metodologie di addestramento, configurazioni architetturali e regolazioni dei pesi. Al contrario, i nuovi framework stanno ampliando la comprensione del CL. L'apprendimento on-policy introduce diversi meccanismi di aggiornamento, mentre l'addestramento al momento del test sposta il CL dalla fase di addestramento all'inferenza. Inoltre, componenti esterni come memoria, librerie di abilità e protocolli di interazione migliorano le capacità del modello oltre gli spazi dei parametri fissi. L'articolo analizza questa evoluzione attraverso tre aspetti: Quando, Come e Dove avviene l'apprendimento, con l'aspetto Come che copre sia l'apprendimento off-policy che on-policy. Questa sottomissione di tipo cross è accessibile su arXiv.