NeurIPS 2024 | 摆脱任务孤立：中科大提出任务级别时空持续学习新框架

文章预览

时空学习技术现已成为城市智能和可持续发展的驱动力。尽管目前可获得的数据在模态、类型、规模上不断增长，现有时空学习模型几乎全部为独立训练和部署，未能打通数据内在的依赖关系，从而导致类似模型需重复训练、新任务冷启动挑战等瓶颈，多源多任务数据的集体智慧利用率不高。 为提升不同源数据的集体智能，打破时空学习模型相对孤立、突破任务侧泛化难的挑战，中科大数据智能研究团队（苏州）提出了任务级别时空持续学习新框架。 研究团队成员首先构建了基于上下文-数据观测交互的多维度表征学习方法，提高数据维度间关联的挖掘能力，同时提出滚动-自适应学习策略来保留任务间共性和更新任务个性信息，将其建模为集体智慧和个体智慧，进而建立训练-微调下的多任务协同训练与学习机制，实现了任务级的持续滚动学习和 ………………………………