本研究提出了一种知识图谱增强的生成多模态模型（KG-GMM），旨在解决计算机视觉中的灾难性遗忘问题。该模型通过构建演化的知识图谱，利用类标关系增强模型的区分能力。实验结果表明，该方法在类别增量学习和少样本学习中表现优异，有效保持知识。

本研究提出了一种创新的SAAN学习框架，旨在解决少样本类别增量学习中因现有类别占据特征空间而导致的新类别学习困难。该框架通过分配专门子空间和利用样本不平衡，显著提升了分类效果，实验结果验证了其性能优势。

时间序列分类中常出现新类别，系统需在学习新类别时避免遗忘旧类别，这就是类别增量学习（CIL）问题。尽管图像和语言领域有进展，但时间序列数据的CIL研究较少。本文概述了时间序列类别增量学习的问题和挑战，并开发了一个统一的实验框架，用于评估各种CIL方法。实验揭示了设计因素对性能的影响，为未来研究提供了基线。

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。

本文提出了一种新颖的类别增量学习方法，通过引入基于对抗攻击的特征增强技术。该方法利用以前的知识，通过对抗攻击来增强任意目标类别的特征。实验结果表明，该方法在各种情况下都优于现有的类别增量学习方法，尤其在存储示例数量很少的情况下具有极小的存储空间。