通过对先前流派中分类分数导致偏差的原因进行系统分析，我们提出了一种称为Separate softmax for incremental learning (SS-IL)的新方法，它由分离的softmax (SS)输出层和面向任务的知识蒸馏 (TKD)组成，以解决诸如数据失衡等问题，从而在多个大规模CIL基准数据集上实现了强大的最新结果。

Mar, 2020

本论文全面调查了现有的针对图像分类的类增量学习方法，特别是在13种类增量方法上进行了广泛的实验评估，包括多个大规模图像分类数据集上的类增量方法比较，小范围和大范围域转移的研究，以及各种网络架构的比较。

Oct, 2020

本文主要讨论了在有限内存情况下如何处理历史数据和新类别的增加，并提出了一种名为MEMO的基于共享泛化表示的基准，在保持代表性示例的同时，具有高效的内存管理和提取多样性特征的能力。

May, 2022

类渐进学习是从数据流中构建分类模型的目标。本文通过统计分析框架量化各个因素对增量性能的相对贡献，发现初始训练策略是影响平均增量准确性的主要因素，而CIL算法的选择对防止遗忘更为重要。基于此分析，我们提出了选择相应初始训练策略的实际建议，以促进增量学习的实际应用部署。

Aug, 2023

通过采用动态网络算法和中心点增强方法，提出一种任务感知可扩展的框架（Task-aware Expandable，TaE），用于解决长尾类增量学习问题，并在CIFAR-100和ImageNet100数据集上进行实验证明其能取得最先进的性能。

Feb, 2024

基于预训练模型的类增量学习中，平衡因果效应的方法（BaCE）通过构建来自新旧数据到新旧类别预测的因果路径，解决了新旧类别之间的因果失衡问题，并在多个任务和设置上优于其他类增量学习方法。

Feb, 2024

在这篇论文中，我们提出了基于预训练模型（PTM）的类增量学习的扩展子空间集成（EASE）方法，通过为每个新任务训练一个独立的轻量级适配器模块来实现模型的有效更新，以创建任务特定的子空间，并通过语义引导的原型补全策略合成旧类别的新特征。大量实验证实了EASE在七个基准数据集上的最先进性能。

Mar, 2024

我们提出了一个用于少样本类级增量学习（FSCIL）的绝招框架，这是一种具有挑战性的持续学习形式，涉及对有限样本的新任务的连续适应。我们的提出的绝招集合了八个关键而高度有影响力的技巧，改善了FSCIL的稳定性，适应性和整体性能，并建立了新的最先进技术，优于该领域的先前研究。

Mar, 2024

提出了一种基于特征丰富性的有效秩增强方法（RFR），旨在提高前向兼容性，该方法通过在基础会话期间增加表示的有效秩，从而便于将更多信息丰富的特征纳入未见过的新任务中，并验证方法的有效性和性能改进。

Mar, 2024

本研究解决了增量学习中面对类和领域未知的任务时的知识累积问题。提出了一种名为ICON的增量学习框架，结合新颖的正则化方法CAST，有效减少了已学习知识的干扰，从而更高效地吸收新知识。实验结果表明，该方法在各种场景下均表现出色，尤其是在任务随机变化时。

Sep, 2024