本研究实证研究了Dynamic Sparse Training (DST)在连续学习中的影响。发现低稀疏度下使用Erdos-Renyi Kernel (ERK)初始化能更有效利用主干网络，高稀疏度下使用均匀初始化更可靠。增长策略的性能取决于初始化策略和稀疏度程度。适应性是提升连续学习效果的有希望的方法。

Dynamic Sparse Training是一种新的神经网络剪枝算法，通过可训练的剪枝门限实现优化神经网络参数和结构，并通过反向传播动态地进行精细化调整。与其他稀疏训练算法相比，Dynamic Sparse Training在多个网络架构上取得了业界领先水平。同时，还发现了传统三阶段剪枝算法的潜在问题，为更紧凑的神经网络架构设计提供了理论指导。

本研究探讨了 Dynamic Sparse Training (DST) 在连续学习中的影响，发现在低稀疏度下，ERK 初始化更有效，而在高稀疏度下，均匀初始化更可靠。适应性是提升连续学习效果的有希望的方法。