本研究提出了一种新型的类生物持续学习框架，旨在解决深度神经网络在连续任务训练中面临的灾难性遗忘问题，能够在新任务上保持高性能并保留已有知识。

本研究提出了一种新颖的强化学习方法，以提高大语言模型在回答问题时的置信度校准。实验结果表明，该方法显著改善了置信度表达，并能有效推广到新任务中，增强了大语言模型的可靠性。

本研究提出“时间模型合并”概念，以解决新任务与领域知识的整合问题。通过统一框架TIME，探讨最佳实践与挑战，为该领域的发展提供重要见解。

本研究提出了一种反馈持续学习视觉变换器（FCL-ViT），旨在解决持续学习中适应新任务与保留旧知识的矛盾。该方法通过动态注意力特征生成，超越了现有基准，并且训练参数较少。

该研究提出了一种新的连续学习方法，解决了人工神经网络在学习新任务时会快速遗忘以前学到的任务的问题，并在不同场景下实现了优异的性能表现。

该研究使用元强化学习和分散训练探索了集体探索策略的产生，发现去中心化的智能体在对抗多个子任务动态组成的大量任务树时表现出了强大的泛化能力，并且能够解决训练过程中从未遇到的新任务。