该文综述类增量学习中的偏差与遗忘问题，涵盖CILIATE框架、长尾增量场景、SS-IL方法、初始训练策略分析、预训练模型增量学习及因果失衡纠正等研究，提出多种缓解数据与算法偏差、提升增量精度的方法。

该文综述类增量学习，提出因果框架解释灾难性遗忘，指出特征蒸馏因果效应不足，建议基于碰撞效应的因果蒸馏。同时介绍测试时适应、初始训练策略分析、CILIATE框架、任务内与任务ID预测分解、PEC方法、长尾增量场景及二阶段训练，均提升性能。