首先，标题提到了“稀疏数据”。最近这个表达式有了一个明确的含义：代理输入是大部分为零的数据。在问题中具有不同的含义：“稀疏数据流”，其中数据有时会流动和消失。我将这个问题理解为：“如果训练数据流中断，训练 AI 仍然有效吗？”

请注意明确的“训练数据流”：该问题表明代理至少有 2 个输入：您想要“随时”提供的训练数据，以及发送给代理进行实际识别的“推理数据”。

这个问题（在我看来）进入了分布式 AI 和多代理系统的领域，最终成为分布式系统中的一个常见问题。

如果我们将您的问题交给两个人 S 和 L 进行通信，当 S 通过可靠的渠道与 L 交谈时，L 会获得所有信息。当通道中断时，L 一无所获。它会阻止L正常生活吗？它只是切断了从 S 到 L 的对话中预期的任何内容。

回到您的场景，每当数据流中断 (S) 时，学习代理 (L) 将无法从该数据源中学习。对模式识别代理的影响受限于它可以从新数据中学到的东西。当数据流中断时，代理识别性能保持不变。

现在，如果学习代理只是在学习，并且没有学习就无法执行识别，则存在架构或实现问题。持续学习需要代理是活跃的（执行实际识别）并从它所做的事情中学习。

更新，澄清：

性能保持不变是“真实的”，但很微妙。在时间t ，相对于智能体迄今为止所看到的，某些指标（如精度）可以达到 99% 。假设持续学习被打断，新的识别请求进来，表现有“两面”：

• 只要新的识别请求与代理到目前为止所看到的“接近”，性能就是“恒定的”——代理仍然得分 99%。
• 如果请求完全不同，性能就会下降。下降的大小取决于输入的不同程度。

一个具体的例子：代理被训练用一个数据集来寻找蘑菇，其中所有的图像都是在森林中拍摄的。假设学习停止，当混凝土裂缝上的蘑菇图像出现时，代理可能会做得更糟。只要它不能通过从这种经验中学习来“刷新”，它就会在这种图像上做得更糟。