#类增量学习

工业互联网上灾害种类不断冒新、样本又少，这篇论文的 CLAR 用潜在表示+注意力打分做回放式增量学习，还给了理论证明，搞边缘部署的可以看看。

FACET用一个适配器解决了持续学习中的灾难性遗忘问题，比LoRA合并方法更高效。

这篇论文提出了一种新的深度人工免疫网络，用结构化亲和力替代传统扁平向量，在MNIST等数据集上实现了不错的无回放增量学习效果，还分析了关键机制，挺有意思的。

这篇论文提出CIRCLE方法：用固定储层特征做持续学习，无需回放，在长任务序列上比现有方法更快更准确。

联邦学习各客户端标签不同步？PRO用投影记忆代替生成回放，不用额外预训练，在异构环境下表现更稳，值得做增量学习的试试。

做持续学习或CLIP微调的团队，AREA把增量遗忘的根因拆解为属性提取与聚合两个环节，并给出了可落地的解耦方案，值得看看代码和实验细节。