特拉维夫大学提出 C³L：以语义概念锚定破解持续学习中的解释漂移循环

特拉维夫大学团队提出 C³L 方法，以离线发现的语义概念作为正则化锚点，抑制持续学习中的解释漂移与伪相关注意力。研究指出，模型准确率保持不变时，注意力仍可能从诊断性特征滑向伪相关特征；基于冻结 saliency 图的像素级显著性正则会形成自指漂移循环，而 C³L 通过“相关性挤占效应”抑制伪相关。