本研究探讨了“表示忘却”在连续学习中的影响，提出通过有监督对比学习构建旧样本原型以减少遗忘。引入适应性记忆回放框架，动态选择训练数据，减少遗忘达10%。提出CTR模型和CUBER方法，解决灾难性遗忘和知识迁移问题，实验结果显示其有效性。此外，CORE方法通过自适应数据选择显著提高模型在新任务学习中的表现。

本研究重新审视了连续学习基准，发现模型表示会经历较小的表示忘却，并探讨了其对模型容纳能力和损失函数的影响。研究提出了一种简单但竞争力强的方法，即通过有监督对比学习来学习表示。