综述：持续学习的进展：全面综述

这篇综述系统梳理了持续学习（Continual Learning, CL）在机器学习（ML）领域的研究进展，聚焦视觉任务中缓解灾难性遗忘（CF）的核心挑战。文章提出五类方法分类框架（包括基于正则化、回放、参数隔离及新增的Lie群与动态模糊方法），总结数据集与评估指标，并展望了不确定性建模、模糊表示等未来方向。

　　

持续学习的挑战与突破

Abstract
持续学习（CL）作为机器学习的重要范式，致力于解决模型在非平稳数据流中持续学习时面临的灾难性遗忘（CF）问题。本文以视觉任务为核心，系统梳理了CL的定义、典型场景（如类增量学习），并对比了元学习、迁移学习等相关范式。创新性提出五类方法分类框架，为领域研究提供结构化视角。

Introduction
人类学习具有持续整合新旧知识的能力（如儿童通过少量图像识别大象），而传统机器学习依赖独立同分布（IID）假设，难以适应动态环境。CL的核心挑战在于平衡知识保留（如自行车→摩托车技能迁移）与新任务适应，其应用覆盖自动驾驶、健康监测等生命科学场景。

Classical algorithm of continual learning

• EWC（弹性权重固化）：通过Fisher信息矩阵正则化关键参数，保护旧任务权重。
• FearNet：模仿海马体-新皮层记忆机制，采用双网络结构实现经验回放。
• DEN（动态扩展网络）：动态添加神经元以适应新任务，避免参数覆盖。

Continual learning method
表2归纳的五类方法中：

1. 正则化类（如LwF）：通过知识蒸馏保留旧任务输出特征。
2. 回放类（如iCaRL）：存储旧任务样本缓解分布偏移。
3. 参数隔离类（如PackNet）：掩码机制隔离任务专属参数。
4. Lie群方法：利用流形结构保持特征空间拓扑连续性。
5. 动态模糊方法：处理非确定性数据（如医学影像中的病灶变异）。

Experimental setup
常用数据集涵盖MNIST变体（如Split-CIFAR）、CORe50等，评估指标包括平均准确率（ACC_avg）与逆向迁移（BWT）。标准化基准的缺乏仍是领域瓶颈。

Conclusion
未来方向聚焦三大前沿：

1. 不确定性建模：量化模型预测置信度（如贝叶斯神经网络）。
2. 模糊表示：处理医学数据中的边界模糊性（如病理分级）。
3. 流形学习：探索神经表征的几何结构（如脑电信号的低维嵌入）。

作者贡献
姜梦娟负责文献分析与初稿撰写，范家庆指导方法论，李范张统筹项目。全文未声明利益冲突。