本研究调研了边缘人工智能中的联邦持续学习（FCL）框架，提出了基于任务特征的FCL方法分类，分析了背景、挑战及解决方案，表明FCL能够有效整合客户端知识，确保模型在动态环境中的稳定性和可靠性。

本研究提出了一种新策略LoRM，旨在解决深度学习中模型合并的瓶颈问题。该策略在联邦持续学习中保持模型一致性，显著提升性能，并在多种场景中展现了先进成果。

FedWeIT是一种新的基于权重的联邦持续学习框架，旨在解决在每个客户端从私有本地数据流中学习一系列任务的情况下，如何使用其他客户端的知识并防止不相关的知识干扰的问题。该框架取得了优秀的学习成果和通信代价的显著降低。