该文章介绍了一种改进的增量学习算法，用于进化颗粒神经网络分类器。该算法通过使用双边界超立方体来表示颗粒，并自定义适应过程来增强外部边界对数据覆盖和噪声抑制的鲁棒性。该分类器从头开始进化，并即时融入新的类别，并进行局部增量特征加权。研究结果表明，两个大脑半球都对分类有贡献，尤其是颞叶和顶叶区域的电极。阿尔法波、δ波和θ波与情绪类别有更高的相关性。该算法在10秒时间窗口内达到了81.7%的准确性和0.0029 II的可解释性。

DeeSIL是一种增量学习算法，使用深度表示的特征提取器和独立的浅层分类器来增加识别容量。在ImageNet LSVRC 2012数据集上表现更好。

该研究提出了一种面向资源受限设备的分散协作机器学习框架，通过增量学习算法、模型交换协议和预测算法实现了准确性、训练时间和鲁棒性的显著提升。