该研究提出了原型增强超网络(PAH)框架，以解决持续学习中的灾难性遗忘问题。实验结果显示，PAH在Split-CIFAR100和TinyImageNet上的准确率分别为74.5%和63.7%，且遗忘率显著低于传统方法。

该研究提出了一种可控遗忘机制，解决了少样本类增量学习中适应新类别与保持原有类别性能的矛盾。通过新类别检测规则(NCD)，该机制显著提高了新类别的准确率，并有效控制了原有类别的遗忘率。