本文提出了一种变分连续学习(VCL)框架，结合在线变分推理和蒙特卡罗变分推理，有效应对复杂的连续学习场景，避免灾难性遗忘。实验结果表明，VCL在多任务学习中优于现有方法。此外，研究探讨了连续学习的评估方法和改进策略，提出了适应性记忆回放框架，显著提升了学习性能并减少了遗忘现象。

本文介绍了变分连续学习（VCL）框架，结合在线变分推理和蒙特卡罗变分推理，有效应对复杂的连续学习场景，避免灾难性遗忘。实验结果表明，VCL在多任务学习中优于现有方法，并探讨了超参数选择对模型性能的影响，提出了优化策略，推动了持续学习的理论与实践发展。