北京
分享至
生成对抗网络（GAN）能造出以假乱真的图像，但有个致命软肋：学完新任务，旧知识就"失忆"。这叫灾难性遗忘，是神经网络的老毛病。
传统GAN训练像重写硬盘——新数据覆盖旧权重。研究者试过回放旧样本、冻结关键参数，效果都一般。核心矛盾在于：生成器要同时骗过判别器，还要记住怎么画猫、画狗、画风景，多任务压力直接拉满。
近年有团队尝试模块化设计，给每个任务配专属子网络，但参数膨胀太快。另一派走正则化路线，用弹性权重巩固（EWC）锁住重要连接，代价是生成质量下滑。
更现实的思路是动态扩容：需要时才新增容量，类似人脑调用不同脑区。不过GAN的生成-判别博弈结构，让这种动态调整比分类网络复杂得多。
这个问题不解决，GAN在真实场景的应用就受限——谁想要一个学会画人像就忘掉画风景的工具？持续学习仍是生成模型落地的关键瓶颈。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
