弹性变分持续学习与权重保持的混合模型可以有效地缓解灾难性遗忘，并能更好地捕捉模型参数与任务特定数据之间的依赖关系。在五个可分辨任务上进行评估，该模型在领域增量和任务增量学习场景中持续优于现有基线模型。

Jun, 2024

首次提出对于高度失衡的 EHR 数据和相关 COVID-19 数据分析，对比损失（CL）能够提高交叉熵损失（CEL）的性能，尤其是在机器学习（ML）模型需要大规模、平衡的训练数据以在医疗场景中具有鲁棒性、可泛化性和有效性的情况下，该方法可扩展并用于 EHR ML 工作。

Jan, 2021

提出基于循环神经网络（RNN）的连续学习模型，利用弹性权重合并法（EWC）处理输入分布的概念漂移，通过在两种不同类型的 RNN 之上实现和测试 EWC，比较了改进后的架构与 EWC 和 RNN 在标准连续学习基准测试中表现的差异，并高亮了需要专门解决 RNN 中的连续学习的问题。

Apr, 2020

本研究旨在解决深度学习模型在应用于不同领域时泛化能力有限的问题，通过探究连续学习的技术，如联合训练、弹性权重整合和无遗忘学习等方法可以在目标域上提高深度学习模型的性能，并有效地缓解源域上的灾难性遗忘。在 ChestX-ray14 和 MIMIC-CXR 数据集上进行的实证研究表明，联合训练是最佳方法，而无遗忘学习的结果也相当不错。

Jan, 2020

在这项研究中，我们研究了增量学习（CL）的问题，其目标是在一系列任务中学习模型，使得先前任务的数据在学习当前任务数据时不可用。我们提出了一种称为 Continual Model Averaging（或 CoMA）的加权集成模型，它在保持稳定性的同时，通过利用可塑性，在当前任务上达到高准确性。我们还提出了一种改进的 CoMA 变体，称为 Continual Fisher-weighted Model Averaging（或 CoFiMA），通过利用模型权重的 Fisher 信息，有选择地对加权集合中的每个参数进行加权。这两种变体概念简单、易于实现，并在多个标准 CL 基准测试中实现了最先进的性能。

Dec, 2023

我们提出了一种基于示范集选择的血液白细胞分类的反复学习方法，对不同领域和类别的白细胞进行分类，在交叉域环境中优于现有的基线方法 iCaRL 和 EWC。

Aug, 2023

通过 ECLM 边缘云协作学习框架，将边缘和云模型高效协作，在动态边缘环境中提高模型性能和资源利用效率。

Nov, 2023

该研究提出了一种新方法，基于预测误差的分类（PEC），用于解决类递增学习中的遗忘和不平衡问题。实验结果表明，PEC 在单次数据通过的 CIL 中表现出色，能够在多个基准测试中优于其他无重复排练基线和中等重放缓冲区大小的重放基础方法。

May, 2023

提出了一个基于 Elastic Weight Consolidation 并基于上游任务信息的 Sequential Domain Adaptation 框架，来解决在不同领域上 sentiment analysis 同时训练时 catastrophic forgetting 的问题，并在实验中证明了该框架的有效性。

Jul, 2020

基于深度学习算法和连续学习技术的能源负荷预测研究，特别针对疫情期间的分布区间外问题和人类流动数据的利用。

Sep, 2023