- PromptDSI：基于提示的无需复习的逐实例增量学习用于文档检索
PromptDSI 是一种无需重复训练的、基于提示的增量学习方法，使用冻结的 PLM 编码器，并利用其强大的表示能力来高效地索引新的文集，同时维持稳定性和适应性的平衡。该方法通过消除基于提示的持续学习方法的初始前向传播来减少训练和推理时间， - 增长图中的渐进学习的整体记忆多样化
本研究论文提出了一种应对日益复杂任务下增量学习的挑战的方法。通过引入全新的多样化内存选择和生成（DMSG）框架，该框架在图形学习中利用了缓冲选择和内存生成回放的策略来保证知识的一致性和概括性，进而有效地存储和利用长期记忆。实验证明了 DMS - 全球增量式学习：适用于跨异构数据集的人类活动识别的 KAN
本研究提出了一种对可穿戴传感器人体活动识别（HAR）进行增量学习的框架，该框架同时解决了两个挑战：灾难性遗忘和非均匀输入。该框架（称为 iKAN）使用 Kolmogorov-Arnold 网络（KAN）作为分类器，利用样条函数的局部可塑性和 - 一种无分类器的可扩展医学图像分割的增量学习框架
通过引入新的分割范式，我们提出了一种基于对比学习的分类器自由网络，能够实现可变数量类别的分割，并结合知识蒸馏的增量学习框架，解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。
- 从动态不平衡学习的角度重新考虑逐步学习
通过数据不平衡的角度来分析深度神经网络在连续学习新概念时容易出现灾难性遗忘问题，提出了一种名为 Uniform Prototype Contrastive Learning (UPCL) 的方法，通过学习均匀且紧凑的特征来解决动态不平衡问题 - InfRS：遥感图像中的增量式少样本目标检测
该研究探讨了在遥感图像中的增量式小样本目标检测任务，并介绍了一种名为 InfRS 的创新微调技术，以便在保持基类性能的同时，利用有限的示例进行增量学习，并生成代表数据固有特征的类别原型，进而解决遥感图像中的增量式小样本目标检测问题。
- 增量深度神经网络中灾难性遗忘的方法学研究
通过模拟生物学习机制，文章研究了连续学习以及其在增量深度神经网络中造成的灾难性遗忘问题，并比较了三种增量学习方法的性能。
- MM持续学习的提示定制化
针对现代连续学习方法在处理不断增加的任务时其选择提示的固有噪音，我们改进了提示方法并提出了自定义提示的方法。实验结果表明，我们的方法在不同设置和不同数据集上都能持续改进，并且优于现有技术（最高可提升 16.2%）。
- 基于液体神经网络的自适应学习与增量学习在由于网络故障引起的概念漂移中的链路负载预测比较
通过使用自适应学习算法（即液态神经网络），本研究针对交通预测问题解决了概念漂移问题，并且在实验结果中证明，在交通模式发生剧变时，我们提出的方法优于基于增量学习的方法。
- CVPRDELTA：解耦长尾在线持续学习
DELTA 是一种增强学习表示、解决长尾在线连续学习中类别不平衡问题的分离式学习方法，通过适应性有监督对比学习吸引相似样本和排斥不相似（非类内）样本，平衡训练期间的梯度并通过等化损失显著提升学习结果，并成功缓解了灾难性遗忘，扩展了增量学习的 - 基于概念漂移检测和基于原型的嵌入的图流分类的增量学习
该研究论文介绍了一种新的图数据流分类方法，能在节点和边随时间变化的情况下进行模型适应的增量学习，选择每个类别的代表图并创建嵌入表示，同时通过基于损失的概念漂移检测机制来重新计算图的代表图。
- YOLOOC：基于 YOLO 的开放类增量目标检测与新类发现
通过构建新的基准测试，我们提出了一种基于 YOLO 架构的新型 OWOD 检测器 YOLOOC，在遇到新的类别时能够自动学习并避免忘记先前已知的类别，我们引入了标签平滑技术来防止检测器过度自信地将新类别映射为已知类别，并在我们的测试基准中的 - 面向非样本半监督类增量学习
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。
- 具有注意力感知的自适应提示的少样本类增量学习
Attention-aware Self-adaptive Prompt (ASP) is a novel framework for Few-Shot Class-Incremental Learning (FSCIL), which p - 连续学习中的超参数：现实检验
连续学习算法的评估方法不仅不切实际，而且不能有效地评估算法的连续学习能力，通过基于提议的协议在类增量学习方案上的实验，我们不仅观察到现有评估方法未能适当评估各个算法的连续学习能力，还观察到一些最近提出的报告表现优越的先进算法实际上与以前的算 - 统一网络结构下的知识重播全方位恶劣天气去除
开发了一种面向实际应用的新型连续学习框架，用于不断学习从不同恶劣天气中提取图像，通过知识回放和共享在统一网络结构中积累了不同恶劣天气的知识。
- CVPR增量动作分段的连续时间合成
数据回放是一种成功的图像增量学习技术，但在视频领域的应用尚不成熟。本论文首次探索了视频数据回放技术在增量动作分割中的应用，重点关注动作时间建模。我们提出了一种名为 Temporally Coherent Action (TCA) 的模型，通 - 个性化负反馈贮存器在推荐系统中的增量学习
为了改善用户体验，推荐系统需要不断扩展和提升模型，但这会带来更多的计算负担。本文提出了个性化的负样本储备策略，平衡了遗忘与可塑性，有效地处理增量学习问题。通过在三个常用的增量推荐模型中整合我们的设计，我们实现了在标准基准测试中的最新成果。
- BSDP：脑启发的用于在线开放世界目标检测的流式双级扰动
提出了一种名为 Brain-inspired Streaming Dual-level Perturbations (BSDP) 的简单即插即用方法，以在线开放世界目标检测的方式进行深度学习模型的训练，通过引入新知识而不忘记旧知识，采用两个 - 学习因果特征以实现递增式目标检测
提出了一种增量因果物体检测（ICOD）模型，通过学习因果特征来适应更多任务，解决了在新任务中神经网络面临的灾难性遗忘问题。实验结果表明，不受数据偏差影响的因果特征能够使模型更好地适应新任务。