不確定性驅動

深度分析

CURE：表格基礎模型串流學習的上下文管理與不確定性驅動策略

資料串流面臨分布漂移，傳統模型需即時更新參數；表格基礎模型（TFM）則透過保留標記上下文適應。研究提出Cure策略，以不確定性門控入場與冗餘感知驅逐，同時保留近期與資訊豐富樣本。實驗在七個串流上顯示，Cure最高提升19.59分，且在不同TFM骨幹上均優於傳統方法。