本研究提出了多种新方法以提升类增量学习的性能，包括CwD、类增量新类别发现和基于嵌入的eCIL-MU框架。这些方法通过优化特征表示、引入混合类别和动态网络算法，显著提高了在长尾数据分布中的学习效果，实验结果在CIFAR-100和ImageNet数据集上表现优异。

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。

本文探讨了新类别发现（NCD）在增量学习中的应用，提出了多种基于特征提取和知识蒸馏的方法，显著提升了新类别的识别和聚类性能。实验结果表明，这些方法在多个数据集上表现优越，有效解决了开放世界问题，实现了已知与未知类别的区分。

本文探讨了新类别发现（NCD）的方法，提出了基于元学习和特征提取的多种算法，显著提升了聚类性能。研究涉及无标签数据集的类别发现，并提出了新的框架和评估协议，验证了在图像和点云数据上的有效性。

本研究提出了名为NCL的新框架，用于聚类性能的新类别发现任务。该框架通过生成难以区分的样本，显著提高了聚类准确性，超过现有方法。

提出了全局对齐学习（GAL）框架，准确估计全球新类别数量，为局部训练提供全局视角的有效引导，同时保护隐私。GAL 在新类别发现方法方面表现优异，在单个和两个新类别学习阶段，精确度提高了5.1%至17.9%。GAL 能够有效装备不同主流FL算法具备新类别发现和学习能力，具有潜力。

本文提出了一种无监督类增量学习方法，用于在无标签集上发现新类别。该方法通过微调特征提取器和代理锚点，在有标签数据集上进行训练，然后在无标签数据集上进行样本划分和聚类，以发现旧类别和新类别。同时，利用基于代理锚点的示例生成代表性类别向量以减轻灾难性遗忘。实验证明，该方法在真实场景下的细粒度数据集上优于现有技术手段。