本研究提出了基于Transformer的few-shot class-incremental learning (FSCIL)框架，通过引入新的评估指标gAcc和使用基于gAcc的AUC总体度量，以及利用远距离层级的中间特征来改善特征的泛化能力，优化novel-class的性能。

我们提出了使用Masked Autoencoders (MAEs)解决Class Incremental Learning (CIL)问题，通过双边MAE框架融合图像级和嵌入级，获得更好质量的重建图像和更稳定的表示。实验证实了我们的方法在CIFAR-100、ImageNet-Subset和ImageNet-Full上优于现有技术。