1 概念

在持续学习领域，Task incremental、Domain incremental、Class incremental 是三种主要的学习模式，它们分别关注不同类型的任务序列和数据分布变化。

1.1 Task Incremental Learning (Task-incremental)

任务增量学习，也称为任务增量式学习，是指在这种学习模式下，学习器依次面对不同的任务，每个任务有自己独特的类别集合。在推理时，学习器需要能够识别所有曾经学习过的任务。这种学习模式的挑战在于，学习新任务时可能会对旧任务的知识造成灾难性遗忘。代表性的数据集包括Split MNIST、Split CIFAR-10、Split CIFAR-100。

• Split MNIST：MNIST数据集被分成多个任务，每个任务包含不同的数字。例如，第一任务为0-1，第二任务为2-3，依此类推。

• Split CIFAR-10：CIFAR-10数据集被分为多个任务，每个任务包含不同的类别。例如，第一任务为飞机和汽车，第二任务为鸟和猫，依此类推。

• Split CIFAR-100：CIFAR-100数据集被分为多个任务，每个任务包含不同的类别。例如，前20类作为第一任务，接下来的20类作为第二任务，依此类推。

1.2 Domain Incremental Learning (Domain-incremental)

域增量学习，又称为领域增量学习，是指学习器在面对一系列任务时，每个任务的数据输入分布（domain）可能不同，但任务的类别集合保持一致。这种学习模式模拟了现实世界中数据分布随时间变化的情况。领域增量学习的挑战在于如何适应新数据分布的同时，保持对旧数据的识别能力。代表性的数据集包括Permuted MNIST、Rotated MNIST、VLCS。

• Permuted MNIST：对MNIST数据集的像素进行随机置换，产生多个任务。每个任务都有相同的类别（0-9），但输入数据的像素排列不同。

• Rotated MNIST：将MNIST数据集的图像进行不同角度的旋转生成多个任务。例如，0度、15度、30度等。

• VLCS：包含来自PASCAL VOC 2007, LabelMe, Caltech, 和Sun的数据，用于不同领域的图像分类任务。

1.3 Class Incremental Learning (Class-incremental)

类别增量学习，是指学习器在面对一系列任务时，每个任务引入新的类别，而旧类别不再出现。学习器需要在推理时能够区分所有曾经学习过的类别，但无法访问任务ID。这种学习模式的挑战在于，学习新类别的同时，要避免对旧类别的知识造成灾难性遗忘。代表性的数据集包括iCIFAR-100、iMNIST和CORe50等 。

• iCIFAR-100（Incremental CIFAR-100）：CIFAR-100数据集被分成多批，每一批包含不同的新类别。模型需在学习新类别的同时保留对旧类别的知识。

• iMNIST（Incremental MNIST）：类似于iCIFAR-100，但使用MNIST数据集。模型逐渐学习新的数字类别。

• CORe50：一个包含50类物体的连续学习基准数据集，用于物体识别任务。