编辑推荐：
神经符号持续学习框架结合经验回放、弹性权重巩固和软符号约束，有效缓解灾难性遗忘，在心理健康风险评估中验证了高预测稳定性与可解释性。
Sayan Pal | Rahul Karmakar
印度西孟加拉邦Burdwan East的Golapbag校区，Burdwan大学计算机科学系，邮编713104
摘要
灾难性遗忘问题持续限制了神经模型在序列学习场景中的可靠性。本文提出了一种神经符号持续学习框架，该框架结合了经验回放和弹性权重巩固机制，并引入了基于行为指标的软符号约束。以心理健康风险评估为例进行案例研究，该领域需要适应性和可解释性的预测。数据集被划分为多个序列任务以模拟不断变化的学习环境，研究了四种不同的方法：基线网络、仅使用经验回放、仅使用弹性权重巩固以及集成神经符号方法。在这些设置中，所提出的模型保持了较高的预测准确性和稳定的AUC值，同时符号组件支持了知识的持续保留和可解释性。遗忘曲线表明，与标准神经方法相比，结合经验回放、正则化和符号规则能够减少任务间的性能漂移。这些结果凸显了神经符号持续学习在构建更强大且可解释的决策系统方面的潜力。
引言
持续学习（CL）仍是现代人工智能的核心挑战之一[1]、[2]。神经网络在固定数据集上训练时能够取得显著的准确性，但由于灾难性遗忘现象（即新信息覆盖旧知识），其适应序列任务的能力受到限制[3]。这一限制阻碍了AI系统在数据随时间自然演变的实际应用中的部署。在这种情况下，模型不仅需要具备适应性学习能力，还需要在不进行昂贵重新训练的情况下保留过往能力[4]。
与此同时，神经符号AI领域逐渐受到关注，它旨在结合神经网络的统计优势与符号系统的可解释性和推理能力[1]、[5]。虽然单独的符号规则无法达到深度网络的预测能力，但它们提供了结构化的先验知识，有助于引导学习朝向更稳定和可解释的解决方案。将符号约束整合到持续学习中仍处于早期阶段，但这为减轻遗忘问题并提高透明度提供了有前景的途径[6]。
在本研究中，我们提出了一种神经符号持续学习框架，该框架融合了三种互补策略：记忆回放[7]、弹性权重巩固（EWC）[8]和软符号约束[9]。经验回放通过重新访问存储的示例来帮助保持对先前任务的知识；弹性权重巩固根据权重对先前任务的重要性进行参数正则化；而符号约束则基于行为和认知指标的领域知识，在训练过程中起到引导作用，使预测结果与可解释的预期保持一致[41]。
选择心理健康风险评估作为案例研究，因为预测心理健康问题的脆弱性是一项具有社会意义且技术上具有挑战性的任务，风险因素多种多样，数据分布也会因人群而异[11]。通过将数据集构建成一系列任务，我们评估了基础网络[12]、经验回放、弹性权重巩固及其神经符号集成方法的有效性。研究结果表明，所提出的方法在各项任务中均实现了较高的预测准确性和稳定的性能，同时减少了遗忘的影响。除了实证优势外，符号规则的引入还增加了纯神经方法通常缺乏的可解释性层面[13]。
这项工作推动了持续学习与神经符号AI之间的交叉发展[13]。它证明了将经验回放和正则化与符号先验相结合不仅能够保留任务知识，还能在敏感领域提供可解释的指导。研究结果凸显了神经符号持续学习作为构建在动态变化环境中运行的强大且可解释的AI系统的潜在价值[14]。
本研究有三个主要贡献：首先，它提出了一种结合记忆回放、弹性权重巩固和软符号约束的神经符号持续学习框架，以解决灾难性遗忘问题；其次，它展示了基于行为指标的符号规则在指导学习过程中的实用性，从而提高了模型的鲁棒性和可解释性；第三，它通过心理健康风险评估案例研究，展示了该框架如何在具有社会相关性的应用领域实现稳定的预测性能和减少遗忘。
本文的其余部分安排如下：第2节回顾了持续学习、灾难性遗忘以及新兴的神经符号集成领域的相关研究；第3节介绍了研究方法，包括数据集特征、预处理步骤、模型设计以及经验回放、弹性权重巩固和符号约束的实现方式；第4节描述了实验设置和评估指标；第5节报告了研究结果，并对发现进行了深入讨论；第6节与现有的持续学习和神经符号系统方法进行了详细比较；最后，第7节总结了本文并提出了未来研究的方向。
相关研究
相关研究
近年来，持续学习（CL）和神经符号（NeSy）AI领域都取得了快速发展。持续学习旨在使模型能够在不遗忘的情况下进行序列学习，而神经符号方法则致力于将结构化推理与神经学习相结合。我们的方法正是这两者的结合点，特别利用了经验回放、弹性权重巩固和符号先验。下面我们将回顾三个主要方向的最新研究：灾难性遗忘的缓解措施；神经符号框架；以及相关的最新研究成果。
方法论
本节介绍了所提出的神经符号持续学习框架的方法论设计。目标是在心理健康风险评估任务中减轻灾难性遗忘现象，同时保持模型的可解释性。该框架整合了三个组成部分：记忆回放、弹性权重巩固（EWC）和基于行为指标的软符号约束。图1展示了整个工作流程。
实验设置
实验设计旨在评估所提出的神经符号持续学习框架在减轻灾难性遗忘的同时保持模型可解释性的有效性。
结果与讨论
表1展示了所有变体在三个序列任务中的阶段性准确率和AUC值，相应的遗忘曲线分别显示在图2（ACC）和图3（AUC）中。所有方法的整体表现都非常出色：最终AUC值始终高于0.999，最终准确率超过0.96。这种稳定性与实验设计相符，因为实验中的任务是对同一人群的随机划分，而不是来自不同分布的领域。
与以往研究的比较
2020年至2025年间，持续学习和灾难性遗忘相关的研究取得了显著进展。基于经验回放和正则化的方法已经发展成为强大的基线技术，而混合方法则尝试将符号推理和领域先验相结合。表2总结了这一时期的代表性研究成果，突出了它们的研究重点、方法论及其与本研究的关联性。
结论与未来方向
本研究提出了一种神经符号持续学习框架，该框架结合了经验回放、弹性权重巩固和符号约束，有效解决了心理健康风险评估中的灾难性遗忘问题。数据驱动的学习与领域知识相结合的规则展示了强大的预测性能，并保持了模型的可解释性。跨任务的结果表明，所提出的方法在保持准确性的同时具有较好的稳定性，优于传统的基线方法，并且具备抗遗忘能力。
作者贡献声明
Sayan Pal：负责撰写初稿、项目管理和方法论设计。Rahul Karmakar：负责审稿与编辑、验证工作以及概念构思。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
