标签
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。