本研究探讨了基于突触可塑性的元学习算法和动态神经网络架构，旨在解决人工神经网络中的灾难性遗忘问题，提升持续学习能力。研究强调了突触可塑性在终身学习中的重要性，并提出了新的学习方法以促进人工智能的发展。

本文介绍了动态神经网络（DSNN）和非自回归生成（NAR）模型的研究进展，强调了DSNN在自动语音识别中的应用及其在硬件资源限制下的优势。同时，探讨了NAR模型在机器翻译等领域的潜力，提出了基于BERT的非自回归文本生成模型，显示出在速度和性能上的优势。

本文研究了序列监督学习中的灾难性遗忘和容量饱和问题，提出了基于课程的评估标准和两种网络模型（Gradient Episodic Memory和Net2Net）。研究表明，动态生长的神经网络在增量学习中优于静态网络，通过上下文依赖的门控信号和任务特定调制参数，有效减轻遗忘现象，提升顺序学习能力。