综述：联邦持续学习在任务增量与类别增量问题中的研究进展

这篇综述系统梳理了联邦持续学习（Federated Continual Learning, FCL）在隐私保护分布式场景下的算法进展，聚焦任务增量（task-incremental）和类别增量（class-incremental）两大核心问题，为智能医疗、物联网等领域的动态数据学习提供了方法论指导。

　　

引言

在智能设备爆炸式增长的时代，联邦学习（Federated Learning, FL）通过分布式协作训练解决了数据隐私与通信开销的难题，而持续学习（Continual Learning, CL）则赋予模型动态适应新任务的能力。两者的交叉领域——联邦持续学习（FCL）成为医疗监测、自动驾驶等场景的关键技术。例如，智能手机健康应用需持续学习新疾病特征，同时保护用户隐私数据。

核心挑战

联邦学习瓶颈：非独立同分布（Non-IID）数据导致模型偏差，通信负载与计算资源异构性制约部署效率。持续学习困境：灾难性遗忘（catastrophic forgetting）在任务增量（已知任务ID）和类别增量（未知任务ID）场景表现迥异，概念漂移（concept drift）进一步加剧模型退化风险。

算法策略分类

正则化方法：如EWC¹通过参数重要性加权保护旧任务知识；回放技术：iCaRL²存储典型样本缓解遗忘；架构调整：Progressive Networks³动态扩展网络模块。FCL算法需权衡上述策略与通信开销，如FedAvg⁴的加权聚合公式：

θ_t = argmin_θ Σ_k=1^K (n_k/n_a) Σ_i=1^T L(T_i^k; θ)

应用场景差异

同序任务：所有客户端同步学习相同任务序列，如协作疾病分类模型；异序任务：客户端异步学习不同任务，需解决模型偏差（model bias）与训练不一致（training inconsistency）问题。

未来方向

探索轻量化CL策略（如元学习）、跨模态FCL框架设计，以及针对医疗数据的时间序列漂移检测算法，将是突破现有局限的关键路径。