本研究提出了一种名为FCL-ViT的反馈持续学习视觉变换器，旨在解决持续学习中在适应新任务的同时保留旧知识的问题。该方法通过实时动态注意力特征生成，针对当前任务进行调节，表现出优于现有基准的持续学习性能，并且可训练参数较少。

本研究调研了边缘人工智能中的联邦持续学习（FCL）框架，提出了基于任务特征的FCL方法分类，分析了背景、挑战及解决方案，表明FCL能够有效整合客户端知识，确保模型在动态环境中的稳定性和可靠性。