热点事件持续更新

TRACE：无回放时间序列增量学习框架

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

Junhui Mao 等人提出无回放的时间序列类增量学习框架 TRACE，通过冻结的紧凑时频表示和轻量级类专属自编码器以生成式建模保留各类知识，避免递归生成与灾难性遗忘。在五个 TSCIL 基准上，其平均保留记忆较最强分析基线 TS-ACL 降低约 98.26%，并在 GrabMyo 上取得约 33.43% 的相对准确率提升。

AI 根据报道生成 · 3 小时前更新

最新进展10月27日 00:45

TRACE：基于时频重建的记忆高效时间序列类增量学习框架

报道时间线

沿着报道，了解事件的不同侧面。

10月27日

00:45
arXiv 隐私论文
TRACE：基于时频重建的记忆高效时间序列类增量学习框架
TRACE 是一个无需回放、记忆高效的时间序列类增量学习框架，通过冻结的紧凑时频表示与轻量级类专属自编码器以生成式建模保留各类知识，避免递归生成与灾难性遗忘。在五个 TSCIL 基准上，其平均保留记忆较最强分析基线 TS-ACL 降低约 98.26%，并在 GrabMyo 上取得约 33.43% 的相对准确率提升。

本事件热度走势

可比范围当前: 6
可比范围峰值: 710月27日 14:00
近 24 小时变化: –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。