Il framework HEDP migliora l'apprendimento incrementale per dominio del 2,57%

Un team di ricercatori ha introdotto l'Hybrid Energy-Distance Prompt (HEDP), un framework per l'apprendimento incrementale per dominio che trae ispirazione dai principi dell'energia libera di Helmholtz. Questo approccio incorpora una perdita di regolarizzazione energetica per migliorare la separabilità delle rappresentazioni di dominio, insieme a un meccanismo ibrido che combina segnali basati sull'energia e sulla distanza per una migliore selezione e generalizzazione del dominio. I test su benchmark come CORe50 hanno rivelato un aumento del 2,57% nell'accuratezza per domini mai visti prima, riducendo efficacemente l'oblio catastrofico e migliorando l'adattabilità in scenari a mondo aperto. Il codice per questo framework è accessibile online.