Mistake gating leads to energy and memory efficient continual learning

Diese Arbeit schlägt „memorized mistake-gated learning“ vor, eine biologisch plausible Plastizitätsregel, bei der synaptische Aktualisierungen streng durch aktuelle und vergangene Klassifikationsfehler gesteuert werden. Diese Methode reduziert Netzwerkaktualisierungen um 50–80 %, wodurch die Energie- und Speichereffizienz in kontinuierlichen und Online-Lernszenarien erheblich verbessert wird.