
持续学习与情景记忆的深度融合,已成为解决模型“灾难性遗忘”、提升长程记忆能力的核心方向,在智能体交互、医疗对话、场景认知等领域快速崛起。传统持续学习易丢失历史任务信息,情景记忆虽能存储事件细节却难以高效适配模型学习过程,二者结合实现优势互补。随着AAAI、NeurIPS等成果涌现,该方向已成科研热点。中南民大与新加坡管理大学合作的MemoryART框架,在医疗对话任务中F1分数提升14.88%,同时降低60%token消耗;相关融合模型借鉴海马记忆印迹机制,显著提升智能体远期记忆更新与泛化能力;另有方案结合睡眠记忆巩固机制,优化情景记忆编码效率。
这些突破为长程学习、智能交互等任务提供新思路,对于深耕该方向的论文er,情景记忆编码优化、遗忘抑制设计等是潜力选题,我已整理好相关顶会论文及复现代码(部分),想快速上手的同学扫码回复 持续情景 领取

文章解析
本文提出一种面向自动语音识别(ASR)系统的半监督持续学习方法,将梯度情景记忆(GEM)嵌入机器语音链(Machine Speech Chain)框架中。通过引入文本到语音(TTS)模块作为合成器,生成基础任务的伪语音样本并存入情景记忆,从而在无原始音频数据回放的前提下支持GEM的梯度约束机制,有效缓解灾难性遗忘。在LJ Speech数据集上的实验表明,该方法相较传统微调和多任务学习显著降低错误率(平均下降40%),且在不同噪声条件下保持鲁棒性能。
创新点
首次将梯度情景记忆(GEM)与机器语音链框架结合,实现无需原始语音回放的ASR持续学习。
提出基于TTS驱动的伪样本生成机制,支撑GEM在半监督设定下的梯度约束。
构建三阶段渐进式训练流程(监督→半监督→持续学习),解耦任务适应与知识保留。
在不依赖旧任务标注数据或牺牲隐私的前提下,实现ASR模型对新任务的顺序学习与旧任务性能维持。
研究方法
第一阶段:分别监督训练ASR和TTS模型,建立强基线。
第二阶段:利用基础任务的无标签语音/文本数据,在ASR与TTS间进行互增强的半监督联合优化。
第三阶段:使用TTS合成基础任务的伪语音输入,构建情景记忆池;ASR在学习新任务时,通过GEM约束新任务梯度与旧任务梯度内积非负,防止参数更新损害旧任务性能。
研究结论
机器语音链框架可有效支撑ASR的持续学习,其闭环结构天然适配回放机制设计。
所提方法在LJ Speech上显著优于微调与多任务学习,平均错误率降低40%,验证了半监督GEM路径的有效性。
TTS生成的高质量伪样本足以支撑GEM梯度约束,避免了原始数据存储与隐私风险。
该方案为资源受限、数据敏感场景下的语音识别持续演进提供了可行技术路径。

文章解析
本文首次通过SQUID和MFM实验直接观测到二维Na2Cl晶体在室温下呈现本征铁磁性;该材料不含传统铁磁起源所需的d-或f-轨道,仅由Na的s-轨道和Cl的p-轨道贡献磁矩;其非常规化学计量结构(Na₂Cl而非NaCl)导致自旋向上/向下态密度(DOS)高度不对称,并经优化冷冻电镜(cryo-EM)原位证实原子构型;这一发现突破了‘铁磁性必须依赖d/f轨道’的长期范式,为原子尺度磁性器件与自旋电子学开辟新路径。
创新点
首次实验证实不含d/f轨道的纯s-p轨道体系(Na₂Cl)可实现室温本征铁磁性,颠覆传统铁磁起源理论框架。
发现并验证了一种具有非常规化学计量比(Na₂Cl)的二维晶体结构,其独特电子与自旋分布是磁性的物理根源。
首次利用cryo-EM基于Na/Cl堆叠对比度差异,原位直接解析出二维Na₂Cl晶体的原子级结构(含Na与Cl位点)。
将铁磁性材料设计从d/f轨道约束中解放,为基于主族元素的低维磁性材料提供全新设计范式。
研究方法
采用超导量子干涉仪(SQUID)和磁力显微镜(MFM)对rGO膜中生长的二维Na₂Cl样品进行宏观与局域磁性表征。
运用优化的冷冻透射电子显微镜(cryo-EM)对样品进行原位高分辨成像,依据Na单层与Na-Cl堆叠区域的衬度差异确定原子排布。
结合第一性原理计算分析总态密度(DOS)及自旋极化特性,揭示s/p轨道耦合与非常规化学计量共同诱导的自旋劈裂机制。
研究结论
二维Na₂Cl晶体在室温下表现出本征铁磁性,且其磁性起源于Na的s-轨道与Cl的p-轨道的协同作用,无需d/f轨道参与。
该铁磁性根植于Na₂Cl的非常规化学计量结构,导致自旋向上与自旋向下态密度严重不对称,形成净磁矩。
cryo-EM成功实现对rGO限域下二维Na₂Cl原子结构的直接观测,确认其真实存在性与结构独特性。
此项工作证明主族元素s-p轨道体系可成为室温铁磁材料的新平台,有望推动原子尺度自旋电子器件的发展。

#计算机##顶会攻略##人工智能##顶会创新##AI##SCI##cvpr##持续学习##情景记忆#