持续学习的测量结果取决于任务划分的隐含层面。
资讯摘要
论文讨论持续学习中对任务划分的隐含假设，指出相似度、数据变化速率和呈现顺序等因素可分别定义在底层数据、施加的划分或学习器三个层面，而报告数值通常未说明所指层面。作者通过受控的教师—学生实验显示，以不同粒度划分同一轨迹、改变呈现顺序或改变底层数据的相似结构，都会得到不同的测量结果，并据此审查代表性基准是否明确陈述这些属性。
要点速读
- 论文区分底层数据、数据划分和学习器三个层面，指出持续学习报告中的量常未说明对应哪一层。
- 受控教师—学生实验表明，改变划分粒度、呈现顺序或底层数据相似结构会改变测量结果。
- 作者审查代表性基准，检查其中哪些属性被明确陈述；对无法检查预训练数据的基础模型，其属性由模型初始状态继承。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。