本研究提出了一种高效的方法，用于处理 Domain Incremental Learning 场景下的 multi-label classification 问题，并能够在 Class Incremental Learning 场景下应用，实现了对 packaging industry 领域中的 Alarm Forecasting 问题的预测和较好的性能。

Aug, 2022

本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。

Mar, 2023

本研究通过评估四个不同医学图像场景中各种连续学习方法的性能表明，单一模型可以顺序地学习来自不同专业的新任务，并达到与传统方法相当的性能，从而证明了在医学领域跨机构共享或回收模型的可行性，进一步推动了通用医学影像人工智能的发展。

Nov, 2023

本研究提出一种用伪标签取代标准标签，在无监督模式下实现连续学习的方法，并提出了一种新的基准实验协议，以更好地评估模型在图像分类任务上的性能。结果表明，使用伪标签和现有的监督方法相结合可以在无监督场景下取得良好的成果。

Apr, 2021

通过使用领域特定的公平度量，我们评估了反复学习策略在医学图像分类任务中的偏差演化，发现伪标签策略具有更小的偏差，因此在考虑模型公平性的现实场景中应优先选择该策略。

Apr, 2024

在医学图像分割领域的持续学习任务中，我们提出了一种使用数据特定的专家组（MoE）结构解决新任务或类别的问题的网络，以确保网络参数对先前任务的影响最小化，并通过引入低秩策略显著降低引入附加结构所带来的内存开销。在多个数据集上进行的广泛实验证明了我们的模型优于其他所有方法。

Jun, 2024

本文提出一种基于 EM 框架的领域感知的持续学习方法来应对在增量学习中类分布和域分布的变化问题，使用基于 von Mises-Fisher 混合模型的灵活类表示来捕获类内结构，采用内部平衡和交叉类数据的处理方式来设计双层平衡记忆，并结合蒸馏损失实现更好的稳定性和可塑性权衡。经过大量实验，表明该方法在三个基准数据集上均优于现有方法。

Apr, 2022

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

通过综述医学领域中的连续学习研究，本文旨在全面审视近期的文献，突出最新趋势，并指出实际问题，包括分类、分割、检测等任务中的连续学习研究。除了识别挑战并提供应对策略，我们还对医学影像中连续学习的现状进行批判性讨论，包括识别开放问题并勾勒有前景的未来方向。希望本文将为研究人员提供领域发展的有用概述，并进一步增加学术界的兴趣。

May, 2024

该研究探讨了 11 种连续学习技术在恶意软件分类任务中的应用，包括任务、类别和域的增量学习，在两个现实的、大规模的恶意软件数据集上进行测试，结果表明，大部分连续学习方法在性能上都不如简单的关联式回放方法。

Aug, 2022