本文提出了一种增量学习的方法，该方法保留以前学习类别的训练图像的特征描述符，而不是图像本身，采用了比大多数现有方法更少的低维特征嵌入，通过多层感知器学习特征适应以实现分类器旧类别和新类别的联合优化，并取得了与保留图像相比更低的内存占用和最先进的分类准确率。

Apr, 2020

本研究针对类增量学习时可能出现的“灾难性遗忘”问题，提出了一种记忆资源高效利用的样本保存方案，并结合一种主副样本协作学习方案，以缓解样本来源、质量不同带来的问题。实验结果表明该方案在类增量学习中具有较好的性能表现。

Aug, 2020

本论文全面调查了现有的针对图像分类的类增量学习方法，特别是在13种类增量方法上进行了广泛的实验评估，包括多个大规模图像分类数据集上的类增量方法比较，小范围和大范围域转移的研究，以及各种网络架构的比较。

Oct, 2020

本研究通过针对基于样本的类增量学习（CIL）任务开发了一种新的Batch Normalization（BN）更新模式——Task-Balanced BN（TBBN），通过使用reshape和repeat操作以及水平拼接任务平衡批来更好地解决训练数据不平衡问题，实验结果表明TBBN是一种超参数自由的变体，并且在CIFAR-100，ImageNet-100和五个不同的任务数据集上都优于其他的BN变体。

Jan, 2022

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

研究了一种基于简单有效的调整网络（SAN）的增量学习方法，达到了接近最先进的性能，使用最小的架构大小，而不需要使用先前最先进方法中的内存实例，对3D点云对象（ModelNet40）和2D图像（CIFAR10，CIFAR100，MiniImageNet，MNIST，PermutedMNIST，notMNIST，SVHN和FashionMNIST）识别任务进行了研究，并为公平比较现有方法建立了强有力的基准结果。在2D和3D领域，我们还观察到SAN在任务增量设置中基本不受不同任务顺序的影响。

May, 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

在连续学习中，对于每个测试样本预测任务标识符是一个具有挑战性的问题。本文提出了一种新的方法TPLR（基于似然比的任务标识符预测），该方法利用了连续学习中的额外信息，显著优于强对比模型。

Sep, 2023

通过采用动态网络算法和中心点增强方法，提出一种任务感知可扩展的框架（Task-aware Expandable，TaE），用于解决长尾类增量学习问题，并在CIFAR-100和ImageNet100数据集上进行实验证明其能取得最先进的性能。

Feb, 2024

本研究解决了增量学习中面对类和领域未知的任务时的知识累积问题。提出了一种名为ICON的增量学习框架，结合新颖的正则化方法CAST，有效减少了已学习知识的干扰，从而更高效地吸收新知识。实验结果表明，该方法在各种场景下均表现出色，尤其是在任务随机变化时。

Sep, 2024