本文提出了一种新型增量学习框架，通过合成虚拟数据来缓解灾难性遗忘，优化模型分类性能。研究表明，该方法在医疗数据集上优于现有技术，有效提高了类别准确性和遗忘能力。

本文提出了一种新型分类增量学习框架，通过数据合成生成虚拟数据以缓解灾难性遗忘。采用余弦归一化交叉熵损失优化模型性能，并在心脏超声图像诊断中取得良好效果。此外，研究探讨了基于生成特征回放的解决方案，提升了在CIFAR-100和ImageNet数据集上的准确率。

本论文提出CONDA方法生成虚拟数据，并通过训练上下文生成器提高生成语言模型能力。实验结果显示在零样本和少样本设置中有显着改进。