无先验平衡重放：基于不确定性引导的长尾持续学习的水库抽样

UCL是一种新的基于神经网络的连续学习算法，旨在解决灾难性遗忘和噪声标签问题。

UCL通过引入新的Kullback-Leibler散度项，解决了正则化方法的两个主要问题。

该算法在监督学习和强化学习任务中表现优异，超过了最新技术。

提出了Partitioning Reservoir Sampling (PRS)的新抽样策略，以防止灾难性遗忘。

使用最近中心点法（NCM）替代Softmax分类器，解决了软最大值分类器导致的偏差问题。

引入有监督对比重播（SCR），有效利用NCM分类器，显著减少严重遗忘情况。

基于回归的连续学习框架能同时解决灾难性遗忘和噪声标签问题。

Gradient Coreset Replay作为新的重放式策略，有效应对灾难性遗忘，取得显著收益。

OLCGM重放式连续学习策略使用知识压缩技术，提升最终准确性。

掩码softmax方法重新研究了连续学习中的遗忘与保留决策，提出了保持置信度分布的方法。

无先验连续学习（PFCL）方法显著减少遗忘现象，并取得有竞争力的准确率。

适应性记忆回放框架通过动态选择训练数据，减少了遗忘达10%。

替代经验重放（AER）显著区分干净、复杂和噪声样本，提升样本纯度，平均提高4.71%的准确率。