本文提出了一种新的无需回放的类增量学习方法，该方法通过学习两个互补学习子网络之间的协同作用，包括联合优化可塑性 CNN 特征提取器和解析前馈分类器来实现。该方法在训练期间不需要存储过去的数据，可以掌握新的课程，同时保持对以前学习过的课程的识别和知识保留。

Jun, 2023

在大规模的 ImageNet 数据集上，我们探索了一种从已经训练好的模型中增量学习的方法，通过二阶段训练方案，融合与增强，我们的方法比现有的方法在准确率上提高了 10%。

Apr, 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

提出一种名为自适应聚合网络的新型网络结构，通过构建稳定块和可塑性块，通过聚合两个块的输出特征图平衡稳定性和可塑性，并通过动态调整聚合权重来解决类增量学习中老类和新类之间的稳定性和可塑性问题。在 CIFAR-100、ImageNet-Subset 和 ImageNet 三个 CIL 基准上进行的广泛实验表明，许多现有的 CIL 方法可以直接集成到 AANets 的架构中以提高其性能。

Oct, 2020

本文研究了挑战性的连续学习（CL）设置下的类增量学习（CIL），证明了 CIL 是可学的，并基于理论提出了一种新的 CIL 算法，并通过实验结果证明了其有效性。

Jun, 2023

创新性地提出了一种非示例的半监督类增量学习框架，通过对比学习和半监督的增量原型分类器，使模型能够逐步从部分标记的新数据中学习，同时保持旧类别的知识。

Mar, 2024

本研究提出了一种基于嵌入技术的非破坏性 eCIL-MU 框架，用于在动态环境中实现类别增量学习和类别级机器遗忘。实验证明该框架能够实现遗忘效果，并具有加速效果（最高达到 278 倍）。

Jan, 2024

提出了一种基于 Dense Network Expansion 和 Cross-Task Attention 机制的类别增量学习方法，实现了在保持旧数据特征空间的基础上，减缓网络和特征规模增长速率，解决了算法复杂度和准确率之间的 trade-off 问题。

Mar, 2023

本文提出了一个名为 CILIATE 的新框架，用于修复迭代学习（IL）中存在的数据集偏差和算法偏差问题，并在三个流行数据集上通过独特重要样本的识别和强制学习提高 iCaRL、BiC 和 WA 等方法的性能。

Apr, 2023

该研究设计了一种在线学习方法，可以自适应地优化稳定性 - 可塑性权衡，具有优异的性能表现。

Jan, 2023