跳转至

title: PMF-CL: Pareto-Minimal-Forgetting Continual Learner for Conflicting Tasks arXiv: 2605.19145 date: 2026-05-18 tags: [agent-memory, continual-learning, catastrophic-forgetting] reviewer: auto source: arXiv RSS/API

PMF-CL: Pareto-Minimal-Forgetting Continual Learner for Conflicting Tasks

arXiv: 2605.19145 | 日期: 2026-05-18 | 作者: Srijith Nair, Atilla Eryilmaz, Jia, Liu

摘要

PMF-CL 从多任务学习视角提出了一种原则性系统化的持续学习框架，用于处理冲突任务中的灾难性遗忘问题。方法基于寻找帕累托最优解——即在帕累托意义上最小化遗忘的解。论文推导了线性回归、基函数回归和具有二次上界的一般损失函数的帕累托最小遗忘 CL 算法。对于二次问题，PMF-CL 使用静态内存占用 O(d²) 的内存高效迭代更新（模型参数为 d）。核心贡献在于建立了遗忘最小化与多任务学习帕累托最优之间的严格联系。

核心贡献

  1. （参考文献待从原文补充）

为什么重要

本文针对的是长程 Agent 的记忆系统关键挑战。与传统在离线场景设计的记忆方法不同，本文强调流式/在线视频理解中的实时记忆管理，对端侧 Agent 的实时视觉记忆有重要参考价值。

与端侧/移动端的相关性

  • 视频流处理对端侧计算资源有严格限制，记忆压缩机制至关重要
  • 轻量级视觉记忆管理对移动端/可穿戴设备上的视觉 Agent 有直接应用价值

参考文献

（参考文献待从原文补充）