En este artículo, presentamos un novedoso método llamado RDBP para abordar el problema de que los modelos existentes en aprendizaje continuo tienden a favorecer la plasticidad o la estabilidad. RDBP combina dos mecanismos complementarios: ReLUDown, que mantiene la sensibilidad a las características a la vez que evita que las neuronas se inactiven, y la retropropagación decreciente, que protege gradualmente las capas iniciales de actualizaciones abruptas. Al evaluarse en el benchmark Continual ImageNet, RDBP presenta un rendimiento igual o superior al de los métodos más avanzados tanto en plasticidad como en estabilidad, a la vez que reduce el coste computacional. Por lo tanto, RDBP es una solución práctica para el aprendizaje continuo en situaciones reales y proporciona un punto de referencia claro para evaluar futuras estrategias de aprendizaje continuo.
