本研究发现，在连续学习中，低稀疏度下使用ERK初始化能更有效地利用主干网络，高稀疏度下使用均匀初始化更可靠。增长策略的性能取决于初始化策略和稀疏度程度。适应性是提升连续学习效果的有希望的方法。

本研究发现，在连续学习中，低稀疏度下使用ERK初始化能更有效地利用主干网络，高稀疏度下使用均匀初始化更可靠。增长策略的性能取决于初始化策略和稀疏度程度。适应性是提升连续学习效果的有希望的方法。