面向不平稳工业时序数据的预测（持续学习）

出处：IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS 2024（CCF C期刊、中科院一区）

一  提出动机

1. 挑战：工业数据动态变化，导致：数据分布漂移 (data distribution drift)

Continual learning (lifelong learning)：指：学习系统随时间推移，动态更新模型知识库，而不忘记过去重要信息的能力，有效克服灾难性遗忘 (catastrophic forgetting) 的挑战。此外，增量学习方法避免了从零开始建模的高计算成本。

二  Methodology

A. Hint-Based Network Parameter Learning

参数说明： 

B. Dual-Buffer Design

动机：“基于提示的网络参数优化” 使用来自缓冲区（Memory Buffer）的样本作为优化新任务的先验约束 →

可能将限制模型习得新任务的能力，特别是：当任务相似（模型可能倾向使用旧任务策略，来处理新任务）或序列很长（缓冲区中累积的样本数量增加）时；

“双缓冲设计” 平衡了：学习新任务的可塑性（Soft Memory Buffer）、记忆旧任务的稳定性（Memory Buffer）

C.  Time-Sensitive Activation Function

三 实验结果

四 评测指标