在少样本增量学习（FSCIL）中，现有方法常将新类别样本误分类为基类别，影响新类别性能。为此，提出了一种校准策略TEEN，通过融合新类别与加权基类别原型，提升可区分性。该方法在多个基准测试中表现优异，显著减轻模型偏差问题，并在多个数据集上取得领先性能。

该文介绍了一种新的无监督技能发现算法DISCO-DANCE，它通过选择具有未探索状态潜力最高的引导技能，引导其他技能跟随引导技能，然后引导的技能在未探索的状态下分散以最大化它们的可区分性，以增强探索能力。