mpcl：持续学习增量学习的理论框架

保持意义的持续学习（MPCL） 这是的后续。 核心思想保持不变。 定位意义 MPCL认为，潜在表示通过对外界采取行动而获得了意义。 为了使连续学习在复杂的环境中易于管理并避免，含义必须随着时间的流逝而保持稳定。 这是MPCL背后的核心思想。 请注意，稳定性并不意味着闲置：只要可以在表示的计算范围之外继续满足其目的，就可以完善表示模型。 MPCL借鉴了内含的。 我希望MPCL可以帮助建立更多位置的人工代理，尽管它并不完全符合当前的体现/情境认知理论。 在我的情境认知版本中，意义是核心。 “含义”是与需要稳定的外界的联系。 传统上，程序员是要确定算法输入和输出的含义的，因为含义不会神奇地从其算法的语法复杂性中浮现出来。 智能行为也不是来自孤立的算法，因为只有当智能算法在观察者眼中做出有意义的事情时，智能算法才能被认为是智能的，即，行为模式只能在可理解的范围内被认为是智能的。 在本自述