研究人员回顾和分类了基础语言模型中的连续学习方法，将其分为离线和在线连续学习，并详细分析了挑战和未来工作。

本文介绍了一种新的连续学习方法，通过知识蒸馏和预测排序记忆重放，能够准确识别使用少量训练样本的新复合表情类别。使用GradCAM可视化技术展示了基本和复合面部表情之间的关系，并通过知识蒸馏和记忆重放利用这种关系。该方法在复杂面部表情识别的连续学习方面达到了当前最新水平，新类别的整体准确率为74.28%。与非连续学习方法相比，使用连续学习实现复杂面部表情识别能够获得更好的性能，提高了13.95%的非连续学习方法的最新水平。该研究首次将少样本学习应用于复杂面部表情识别，每个表情类别使用单个训练样本实现了100%的准确率。