本文介绍了应对第五届CLVision挑战赛的方法，包括类别增量学习中的灾难性遗忘问题和循环出现的类别学习。作者采用赢得子网络和三种训练策略，提高分类性能。在推断阶段，设计了子网络之间的交互策略，提高分类准确性。实验结果表明，该方法在预选和最终评估阶段均排名第一。

研究人员发现大型语言模型在复杂多样的特定领域下进行微调时，推理性能会显著降低，称为灾难性遗忘问题。他们提出了I-LoRA方法，通过参数插值构建双记忆经验回放框架，解决了这个问题。实验结果显示，I-LoRA在连续学习基准测试中比之前的方法提高了11%的性能。

本文提出了一个两阶段学习框架，解决类增量学习中的灾难性遗忘问题。该方法包括固定编码器和逐步更新原型分类器，不依赖于保留的旧类别样本。实验证明，在公共数据集上，该方法在保留每类5个示例和10个阶段递增设置下，相比最先进的范例基于方法，在CIFAR-100上提高了18.24%，在ImageNet100上提高了9.37%。

RECALL是一种重播增强方法，通过自适应规范化和旧任务的策略蒸馏，在新任务上增强普适性和稳定性，改善持续强化学习中的灾难性遗忘问题。在Continual World基准测试中，RECALL的性能优于完美记忆重播，与最先进的持续学习方法相比，整体性能相当甚至更好。

该文介绍了一个两阶段学习框架，解决类增量学习中的灾难性遗忘问题。该方法不依赖于保留旧类别样本，是一种非范例基于的 CIL 方法。实验证明，在公共数据集上，该方法在保留每类 5 个示例和 10 个阶段递增设置下，比最先进的范例基于方法在 CIFAR-100 上提高了 18.24%，在 ImageNet100 上提高了 9.37%。