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。

该研究提出了一种适用于课程增量学习的各向异性马氏距离方法，相比以往方法，该方法在特征协方差关系建模方面更优，且在多样本和少样本课程增量学习设置以及域增量学习设置上具有广泛适用性。