买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉贵州大学申请的专利面向资源受限场景可塑性重放的端侧多模态持续学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121902916B 。

龙图腾网通过国家知识产权局官网在2026-05-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610378886.6，技术领域涉及：G06N3/096；该发明授权面向资源受限场景可塑性重放的端侧多模态持续学习方法是由杨静;张鹏;过敏意;阮小利;杨潘;贺子睿;刘沅沛设计研发完成，并于2026-03-26向国家知识产权局提交的专利申请。

本面向资源受限场景可塑性重放的端侧多模态持续学习方法在说明书摘要公布了：本发明公开了一种面向资源受限场景可塑性重放的端侧多模态持续学习方法，包括以下步骤：S1：通过动态掩码模块对在资源受限下的端侧设备进行动态正则化与权重演化约束；S2：通过仿射量化协同模块基于损失动态调整模型架构并量化优化特征；S3：通过多尺度特征融合与记忆回放模块进行自适应内存重放；S4：通过模型对端侧设备的实时数据流进行处理，输出预测结果；其中，端侧设备包括手机、带有摄像头的设备和笔记本电脑。能够在资源受限的端侧设备上实现持续学习，同时缓解遗忘问题。

本发明授权面向资源受限场景可塑性重放的端侧多模态持续学习方法在权利要求书中公布了：1.一种面向资源受限场景可塑性重放的端侧多模态持续学习方法，其特征在于，包括以下步骤： S1：通过动态掩码模块对在资源受限下的端侧设备进行动态正则化与权重演化约束； 设当前模型的全部可稀疏化的模型图像参数集合为，其中为第个可稀疏化权重；与模型图像参数集合一一对应的二值掩码集合为； 表示模型图像参数数量； 其中，是与对应的二值决策变量； S1-1：拟定模型的图像稀疏化表示； 模型的图像稀疏化表示为； 其中，为逐元素相乘； S1-2：拟定图像稀疏性比例约束条件； 图像稀疏性比例约束条件如下： ； 其中，为全局图像稀疏度预算，为L0范数； S1-3：计算动态正则化损失； ； 其中，为权重的实例级对比损失，、、、分别为各项损失的权重系数，为数值稳定项，为权重的绝对值，为权重所在层的绝对值均值，为single-head交叉熵，为损失函数对权重的梯度，为当前数据集上的损失；为当前重放缓冲区，为在重放缓冲区的样本上的计算损失，为模型图像参数集合；与分别为当前图像数据与缓冲图像数据对应的梯度二阶矩近似； 其中，代表权重幅值贡献，代表当前新数据对该权重的即时学习需求；代表历史回放数据对该权重的记忆需求，反映对数据源的敏感性，二阶矩越大说明梯度波动越大、该权重对多数据源更敏感；为数值稳定项，为当前数据集，为模型图像参数集合，而为权重的实例级对比损失； 则平滑处理后得到的优化目标为： ； 其中，为时间平滑系数，为上一时间步累计下来的长期重要性，为权重的实例级对比损失； S2：通过仿射量化协同模块基于损失动态调整模型架构并量化优化特征； S3：通过多尺度特征融合与记忆回放模块进行自适应内存重放； S4：通过模型对端侧设备的实时数据流进行处理，输出预测结果；其中，端侧设备包括手机、带有摄像头的设备和笔记本电脑。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人贵州大学，其通讯地址为：550025 贵州省贵阳市花溪区花溪大道南段2708号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。