Buchumschlag

Eidetic Learning: an Efficient and Provable Solution to Catastrophic Forgetting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dronen, Nicholas, Balestriero, Randall
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics
von: Balestriero, Randall, et al.
Veröffentlicht: (2025)

Curvature Tuning: Provable Training-free Model Steering From a Single Parameter
von: Hu, Leyang, et al.
Veröffentlicht: (2025)

Continual Learning and Catastrophic Forgetting
von: van de Ven, Gido M., et al.
Veröffentlicht: (2024)

ALLoRA: Adaptive Learning Rate Mitigates LoRA Fatal Flaws
von: Huang, Hai, et al.
Veröffentlicht: (2024)

Task Priors: Enhancing Model Evaluation by Considering the Entire Space of Downstream Tasks
von: Patel, Niket, et al.
Veröffentlicht: (2025)

No Location Left Behind: Measuring and Improving the Fairness of Implicit Representations for Earth Data
von: Cai, Daniel, et al.
Veröffentlicht: (2025)

SAFE: A Novel Approach to AI Weather Evaluation through Stratified Assessments of Forecasts over Earth
von: Masi, Nick, et al.
Veröffentlicht: (2025)

Occam's Razor for Self Supervised Learning: What is Sufficient to Learn Good Representations?
von: Ibrahim, Mark, et al.
Veröffentlicht: (2024)

Joint Embedding vs Reconstruction: Provable Benefits of Latent Space Prediction for Self Supervised Learning
von: Van Assel, Hugues, et al.
Veröffentlicht: (2025)

Post-Hoc Guidance for Consistency Models by Joint Flow Distribution Learning
von: Hsu, Chia-Hong, et al.
Veröffentlicht: (2026)

Sequencing to Mitigate Catastrophic Forgetting in Continual Learning
von: Moussa, Hesham G., et al.
Veröffentlicht: (2025)

Predicting the Susceptibility of Examples to Catastrophic Forgetting
von: Hacohen, Guy, et al.
Veröffentlicht: (2024)

Evolutionary Strategies lead to Catastrophic Forgetting in LLMs
von: Abdi, Immanuel, et al.
Veröffentlicht: (2026)

Learning by Reconstruction Produces Uninformative Features For Perception
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

Mitigating Catastrophic Forgetting in Large Language Models with Forgetting-aware Pruning
von: Huang, Wei, et al.
Veröffentlicht: (2025)

Fast and Exact Enumeration of Deep Networks Partitions Regions
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

Analyzing and Reducing Catastrophic Forgetting in Parameter Efficient Tuning
von: Ren, Weijieying, et al.
Veröffentlicht: (2024)

On the Implicit Adversariality of Catastrophic Forgetting in Deep Continual Learning
von: Peng, Ze, et al.
Veröffentlicht: (2025)

Addressing Loss of Plasticity and Catastrophic Forgetting in Continual Learning
von: Elsayed, Mohamed, et al.
Veröffentlicht: (2024)

Robust Policy Optimization to Prevent Catastrophic Forgetting
von: Sabbaghi, Mahdi, et al.
Veröffentlicht: (2026)

On Catastrophic Forgetting in Low-Rank Decomposition-Based Parameter-Efficient Fine-Tuning
von: Ahmad, Muhammad, et al.
Veröffentlicht: (2026)

Bayesian Parameter-Efficient Fine-Tuning for Overcoming Catastrophic Forgetting
von: Chen, Haolin, et al.
Veröffentlicht: (2024)

Catastrophic Forgetting in Kolmogorov-Arnold Networks
von: Rahman, Mohammad Marufur, et al.
Veröffentlicht: (2025)

Replay Can Provably Increase Forgetting
von: Mahdaviyeh, Yasaman, et al.
Veröffentlicht: (2025)

The Linear Centroids Hypothesis: Features as Directions Learned by Local Experts
von: Walker, Thomas, et al.
Veröffentlicht: (2026)

An Efficient Rehearsal Scheme for Catastrophic Forgetting Mitigation during Multi-stage Fine-tuning
von: Bai, Andrew, et al.
Veröffentlicht: (2024)

Are Time Series Foundation Models Susceptible to Catastrophic Forgetting?
von: Karaouli, Nouha, et al.
Veröffentlicht: (2025)

Semantic Tube Prediction: Beating LLM Data Efficiency with JEPA
von: Huang, Hai, et al.
Veröffentlicht: (2026)

Variance Covariance Regularization Enforces Pairwise Independence in Self-Supervised Representations
von: Mialon, Grégoire, et al.
Veröffentlicht: (2022)

Sharpness-Aware Pretraining Mitigates Catastrophic Forgetting
von: Watts, Ishaan, et al.
Veröffentlicht: (2026)

Position: An Empirically Grounded Identifiability Theory Will Accelerate Self-Supervised Learning Research
von: Reizinger, Patrik, et al.
Veröffentlicht: (2025)

On the Geometry of Deep Learning
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

CORE: Mitigating Catastrophic Forgetting in Continual Learning through Cognitive Replay
von: Zhang, Jianshu, et al.
Veröffentlicht: (2024)

Mitigating Catastrophic Forgetting in Language Transfer via Model Merging
von: Alexandrov, Anton, et al.
Veröffentlicht: (2024)

Intelligent Learning Rate Distribution to reduce Catastrophic Forgetting in Transformers
von: Kenneweg, Philip, et al.
Veröffentlicht: (2024)

Catastrophic Forgetting Resilient One-Shot Incremental Federated Learning
von: Zaland, Obaidullah, et al.
Veröffentlicht: (2026)

Gradient Correlation Subspace Learning against Catastrophic Forgetting
von: Dubnov, Tammuz, et al.
Veröffentlicht: (2024)

FlexFed: Mitigating Catastrophic Forgetting in Heterogeneous Federated Learning in Pervasive Computing Environments
von: Alosaime, Sara, et al.
Veröffentlicht: (2025)

Characterizing Large Language Model Geometry Helps Solve Toxicity Detection and Generation
von: Balestriero, Randall, et al.
Veröffentlicht: (2023)

The Fair Language Model Paradox
von: Pinto, Andrea, et al.
Veröffentlicht: (2024)