家用机器人上安装的视觉系统需要与不可见的类别在多变的环境中进行交互。我们提出了 RobOCLe 作为一种少样本在线持续学习模型，通过构建富化特征空间和计算样本的高阶统计矩来改善连续学习模型的鲁棒性。

Jul, 2023

本论文研究了如何将基于连续学习模型的目标识别系统与移动机器人 Fetch 结合起来，以便使机器人能够在与人类用户的多个交互中继续学习。通过与 60 名参与者进行的实验，作者发现，如果机器人忘记了之前学过的目标，参与者对于连续学习机器人的信任、能力和可用性的感知将会明显降低。然而，进行 2-3 次教学和测试任务的任务负荷并不随会话数的增加而增加。此外，本研究发现，目前的连续学习模型在机器人与人类参与者交互时的可靠性较低。

May, 2023

这篇论文介绍了连续学习的概念和机器学习中面临的挑战，提出了在自主体或机器人中使用连续学习以适应环境和优化学习过程的方法，并介绍了现有的基准和度量标准，并提出了一种框架来评估这些方法的有效性。

Jun, 2019

在线连续学习中，通过在单通数据流中不断学习新数据并减轻灾难性遗忘的问题，本文分析了在新的学习任务中为何在线学习模型无法很好地泛化的快捷学习，然后提出了在线原型学习框架（OnPro），通过在线原型平衡和自适应原型反馈机制，达到良好分离所有已见类别、学习新类别的平衡状态，并在广泛使用的基准数据集上通过实验证明了 OnPro 相对于最先进的基准方法的卓越性能。

Aug, 2023

本文总结并讨论了最近采用突触正则化、结构可塑性和经验重放等技术解决连续流式数据学习时的灾难性遗忘问题的深度学习方法，并通过实证表明，与不采用经验重放的架构相比，在在线增量学习任务中，带有经验重放的架构通常更具有优势。

Mar, 2020

通过受海马体和新皮质概念学习理论启发，我们提出了一种新颖的框架来解决小样本类递增学习的问题，在两个对象分类数据集上评估了框架的性能，结果显示其具有类递增学习和小样本类递增学习的最新技术水平，并通过在机器人上演示表明我们的框架在有限的人类辅助下能够持续学习对大量家居物品进行分类。

Jul, 2023

本文研究了人类教授机器人学习的方式及学习机器人需要如何快速学习新信息，在理解每个用户的教学风格方面个性化改进。对 200 个会话进行研究，结果表明教学者的风格存在显著变异，需要进行个性化的适应。同时，在实际运用中，常规设备测试机器学习无法代替真实用户的操作方法。

Jun, 2023

通用学习系统应在不断变化的环境中以开放式方式不断改进自己。本文提出一种自动连续学习 (ACL) 的方法，通过训练自指神经网络来元学习其上下文中的连续学习算法，以解决传统神经网络学习算法中的 “上下文灾难性遗忘” 问题。ACL 有效地解决了这个问题，并且其学习到的算法表现优于手工设计的算法，在无回放设置下，在 Split-MNIST 基准测试上实现了持续学习多个少样本和标准图像分类数据集的目标。

Dec, 2023

提出了一种新颖的连续学习（CL）框架，通过使用有限容量的内存保存先前观察到的环境信息以减轻遗忘问题，并从内存中采样数据点来估计环境变化的风险分布，从而获得对未知变化具有鲁棒性的预测器。实验表明，该算法在所有环境中优于基于内存的 CL 基线，并显著提高了在未知目标环境中的泛化性能。

Sep, 2023

本文提出了一种基于 CORe50 基准和无重演技术的新颖的持续学习协议，可在小批量非 i.i.d. 增量的挑战性情况下有效学习，并且我们的实验表明，在某些情况下，AR1 * 可以比其他最先进的无重演技术的精度提高 15％以上，而且在训练批次之间具有非常轻量和恒定的计算和存储开销。

Jul, 2019