**概念一致性持续学习：语义引导打破解释漂移循环，实现鲁棒与可解释的模型更新**

_Semantic Concept Steering Breaks the Explanation Drift Loop in Continual Learning_

> 针对持续学习中的“解释漂移”问题（即模型在保持准确率的同时，注意力从诊断特征转向虚假相关），本文提出 C^3L 框架。该方法通过离线发现的类一致语义概念（如“弯曲的喙”、“条纹图案”）替代模型自身的冻结显著性图作为正则化目标，彻底打破了原有的自指漂移循环。实验表明，该自动化方法无需人工标注概念，即可在多项基准测试中实现准确率、抗遗忘、解释质量及分布外鲁棒性的最先进性能。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-27 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.33877)