于时间序列预测来

[rochona]

潜在的重大影响：FSNet 方法为何重要
将在线学习和深度学习方法结合成一种新方法，对说是一个充满希望但又充满挑战的问题。FSNet 通过两个关键组件增强了神经网络主干：

用于适应最近变化的适配器；以及
用于处理重复模式的联想记忆。
因此，FSNet 应该对在线深度时间序列预测领域产生积极影响：

克服了深度网络在数据流上收敛缓慢的局限性，这种局限性是由于离线训练策略（例如小批量训练或多次训练）失效造成的。当概念漂移发生时，这个问题会变得更加严重，因为一个复杂的模型需要更多的训练样本来学习这些新概念。
克服了深度网络因未保留先验知识而导致的灾难性遗忘的局限性，这种局限性导致循环模式的学习效率低下。相比之下，FSNet会存储先前的经验（就像我们人类一样，它有记忆），这使得模型能够有效地学习循环模式。
退一步考虑“大局”，FSNet 研究可能与改进时间序列预测一样重要，最终可能会产生更广泛的影响——不仅在一个科学领域，而且在两个科学领域：

机器学习： FSNet 将联想记忆和适配器与深度神经网络相结合，这种方法或许可以成为未来机器学习系统构建的典范。例如，既然添加联想记忆可以减少或消除灾难性遗忘问题，为什么还要让你的深 电报数据库 度网络遭受这个问题呢？如果未来基于 FSNet 的“深度网络+记忆+适配器”架构设计的深度学习模型也能获得类似的性能提升，或许这预示着深度学习模型设计的范式转变。如果联想记忆能够克服深度学习的其他局限性，就像它在时间序列预测中所做的那样， 它或许会成为深度学习模型的标准配置。
人类学习：我们注意到，FSNet 的设计受到了互补学习系统 (CLS) 理论的启发，该理论是一个用于人类持续学习的神经科学框架。或许 FSNet 的研究能够从另一个方向带来启发和洞见，从而帮助改进人类学习模型。