本研究提出帕累托持续学习框架（ParetoCL），旨在解决持续学习中稳定性与可塑性之间的动态权衡问题。通过多目标优化，ParetoCL在多个数据集上表现优于现有方法，能够有效适应多样化的学习场景。

该文综述课程增量学习进展，提出各向异性马氏距离建模特征协方差，优于欧氏距离，在少样本及域增量场景达最优；并汇总CEC、eTag、C-FSCIL、ICE等免回放方法，通过分离学习、嵌入蒸馏、超维嵌入缓解遗忘，提升稳定性与可塑性。