本研究提出了一种实例温度分配（ITA）方法，旨在解决实例分割中的广义类发现（GCD）任务。该方法利用有无标签数据来发现新类，实验结果表明其在多个数据集上优于现有技术。

该论文提出了去偏差区域挖掘方法来改进新类别发现和定位。通过结合类无关和类感知的目标定位方法，利用半监督对比学习和mini-batch K-means聚类来优化目标定位和特征表达。实验结果显示该方法优于其他基线方法。

近期的视频类增量学习通常过分追求新学习类别的准确性，并依赖于存储集合来减轻旧类别的灾难性遗忘。因此，提出了SNRO，它通过轻微调整新类别的特征以记住旧类别。SNRO在相同存储消耗下存储更多样本，并迫使模型专注于更难遗忘的低语义特征。在实验证明，SNRO在相同存储消耗的情况下表现更好。

我们提出了一种新颖的联邦类增量学习方法（FCIL），名为具有新类增强的自我蒸馏（FedNASD）。FedNASD通过将当前模型推断的新类分数与历史模型的预测相结合，在客户端上进行自我蒸馏，实现有效的知识转移。实验表明，FedNASD在降低遗忘率和提高准确性方面优于其他算法。

该文介绍了不变特征子空间恢复（ISR）算法，可实现分类和回归问题的可证明领域泛化。ISR-Mean算法通过类条件分布的一阶矩来识别不变特征子空间，并在多个训练环境下实现可证明的领域泛化。