class-incremental-learning

提出REDAR：将类增量学习中的正则化强度选择建模为序列决策问题，用轻量级强化学习智能体根据当前性能与数据统计动态输出每个阶段的知识蒸馏系数，在CIFAR-100和Tiny-ImageNet上降低了遗忘并提升了前向迁移。

该论文对九种主流类增量学习（CIL）方法在五个冻结的蛋白质编码器上的表现进行了系统基准测试，发现没有方法能可靠跨编码器迁移，并分析了失败源于嵌入几何异质性与不稳定的梯度稳定性信号，主张持续学习设计应将表征本身作为核心组件。

本文提出了一种用于图少样本类增量学习的轻量级可塑性记忆框架，该框架使用一种演化的微聚类结构和元学习，以在有限数据下平衡知识保留和对新类别的适应性。

本文提出FedFMX，一种基于Fisher路由的专家混合框架，用于联邦类增量学习，通过自适应专家特化解决容量冲突、灾难性遗忘和数据异质性。

本文介绍了 CaRE，一种新颖的持续学习框架，它使用双层路由混合专家机制，能够有效处理涉及 300 多项任务序列的类增量学习。