本文提出通过增加可学习的随机图来维护和重放以前样本的小型陈情表记忆，来解决非静态分布中可用数据的持续学习问题的方法。在多个基准数据集上的实证结果表明，该模型持续胜过最近提出的基线方法，用于无任务的持续学习。

Jul, 2020

本文提出了一种方法，通过从未标记数据的大量语义无关信息中参考 “样本” 生成各种多样化的对应物，使得 DNN 在学习新任务时能够有效地避免遗忘，特别是本方法在 CIFAR-100 和 ImageNet-Subset 等数据集上表现优于现有技术。

Apr, 2022

本文介绍了一种名为 DeLoMe 的新框架，它通过学习小型无损合成节点表示来构建记忆，以解决真实生活中图数据不断扩展的问题，并且在保持先前任务图的性能的同时，持续适应当前任务的扩展图。

Apr, 2024

该研究提出一种深度生成模型，在表示学习中采用了注意机制和大型外部记忆来捕捉局部详细信息，具有变分自编码贝叶斯方法的数据似然度上限，以及学习高级不变表示的非对称识别网络。实验结果表明，记忆单元可显着提高 DGMs 的性能，并在各种任务中达到最先进的结果。

Feb, 2016

基于内存回放技术的研究已经在增量累积欧几里得数据的连续学习中取得了巨大成功。然而，直接将其应用于不断扩大的图表会导致潜在的内存爆炸问题，因为需要缓冲代表节点及其相关的拓扑邻域结构。为了解决这个问题，我们系统地分析了内存爆炸问题中的关键挑战，并提出了一种通用的框架，即参数独立的图神经网络（PDGNNs）与拓扑感知嵌入记忆（TEM），以应对这个问题。该提出的框架不仅将内存空间复杂性从 O (nd^L) 降低到 O (n)，而且还充分利用了拓扑信息进行内存回放。通过解耦可训练参数与计算自我子图之间的关系，PDGNNs 通过拓扑感知嵌入（TEs）将自我子图压缩为紧凑的向量（即 TEs），以减少内存消耗。基于这个框架，我们发现了在不断扩大的图表上连续学习中独特的伪训练效应，并由此激发了我们开发一种新的覆盖率最大化采样策略，可以在紧凑的内存预算下提高性能。深入的实证研究表明，通过解决内存爆炸问题并将拓扑信息与内存回放相结合，PDGNNs 与 TEM 明显优于最先进的技术，特别是在具有挑战性的类增量设置中。

Jan, 2024

通过引入可学习的记忆令牌和注意机制，我们提出了一种新颖的异构记忆增强方法，可以有效提升性能而不需要巨大的计算开销。

Oct, 2023

本文提出了一种基于累计的闭环记忆重放生成对抗网络的方案，并引入了外部正则化进行最大样本多样性的小型内存单元。实验结果表明，在使用动态内存单元的条件下，该方案在处理硬任务学习方面具有很高的性能增长。

Nov, 2018

提出了一种新的基于图的生成模型，将多个异构学习任务统一到同一框架中，通过将图卷积网络与多个变分自编码器相结合，在不同的任务上嵌入节点，从而成功提高了所有任务的性能，推动了现有先进方法的进步。

Nov, 2019

本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。

Nov, 2021

介绍了一种基于神经突触可塑性的动态生成记忆模型，该模型在连续学习中实时调整神经网络架构，应用于视觉分类任务中，旨在解决老知识保留和模型容量扩展的问题。

Apr, 2019