本文研究了基于任务增量分类的持续学习方法，提出了一种新的框架来确定持续学习者的稳定性与可塑性的权衡， 并通过三个基准测试以及综合实验比较了11种持续学习方法和4种基线的方法的强弱和影响。

Sep, 2019

RA-TensorPrototype是一个结合了领域适应和领域一般化的框架，实现了在数据分布连续变化的情况下目标域泛化和自适应的能力，同时解决了学习遗忘的问题。

Jan, 2023

本文提出了一种模型无关的、能够将适应和泛化结合起来的学习方法CoDAG，主要解决无监督连续域漂移学习的三个问题，即适应当前域、泛化到看不见的域，以及防止遗忘先前看到的域，并在多个基准数据集上展示了其有效性和鲁棒性。

Mar, 2023

本文提出在线蒸馏过程中发生领域转移时容易出现的重要问题——灾难性遗忘，针对这一问题，提出了一种基于 continual learning 方法的解决方案，我们将多种最先进的 continual learning 方法纳入在线蒸馏的上下文中，并以周期性领域转移实验结果为例进行了详细分析。我们的实验结果表明，该方法在提高在线蒸馏的鲁棒性和准确性方面具有有效性，并具有在视频监控或自动驾驶等领域的潜在应用。

Apr, 2023

本文提出了一种方法，旨在解决连续学习中的无监督域适应问题，通过修剪实现框架来保留特定于域的知识，并使用一种基于批次标准化的度量方法进行有效推理，取得了良好的性能，同时在防止过去领域的灾难性遗忘方面显著改善。

Apr, 2023

这篇论文提出了一种针对无监督在线普通持续学习的对比学习增强内存使用的新方法，通过定义和使用流依赖的数据增强及实现技巧，提升了持续学习中的遗忘问题，实现了与有监督方法相媲美的最新结果，为持续学习提供了有希望的策略。

Sep, 2023

机器学习系统的持续学习能力受到灾难性遗忘的限制，本文提出一种新的概念性方法来解决持续分类中的问题，通过区分需要记忆的类别特定信息和总结泛化的类别无关知识，并且通过利用类别无关网络来执行分类，提高随时间推移过去任务的准确性，同时支持开放式分类和一次性泛化模型。

Dec, 2023

我们提出了一种算法来解决持续学习（CL）场景中的无监督域适应（UDA）问题，主要目标是在连续到达新领域时通过更新基本模型来维持模型概括性，而后续任务中只能访问未标记的数据。我们的解决方案是通过稳定学习的内部分布来提高模型在新领域上的概括性，内部分布使用高斯混合模型（GMM）进行建模，并将新领域的内部学习分布与估计的GMM进行匹配来更新模型，同时利用经验重播来克服灾难性遗忘问题，并提供理论分析来解释我们算法的有效性，通过广泛的比较和分析实验证明我们的方法是有效的，我们在四个基准数据集上进行实验以证明我们的方法的有效性。

Jan, 2024

本研究提出了一种名为交叉领域连续学习（CDCL）的新方法，在一个紧凑的卷积网络中结合了跨任务关注机制，实现了对先前任务特征的对齐，并在相关领域之间进行了无监督的交叉领域学习（UDA）。通过使用一种任务内特定的伪标签方法，确保了有标签和无标签样本的准确输入对，从而增强了学习过程。本方法在公开的UDA数据集上进行了广泛实验，显示出在交叉领域连续学习挑战上的良好性能。此外，本研究提出了增量思想，为该领域的进展做出了贡献。

Feb, 2024

我们在这篇文章中提出了一种名为CLAMP的跨领域持续学习方法，它集成了一种类感知对抗领域自适应策略，以在复杂变化环境中实现单一模型的部署，避免了额外的标注成本，并且在理论分析和大量实验证明中取得了至少10%的显著性优于现有基准算法的效果。

May, 2024