为了应对现实世界的动态变化，智能体需要在其生命周期中增量地获取、更新、积累和利用知识。这种能力被称为持续学习，为人工智能系统自适应发展提供了基础。

论文链接：https://arxiv.org/pdf/2302.00487.pdf

在一般意义上，持续学习明显受到灾难性遗忘的限制，学习新任务通常会导致旧任务的性能急剧下降。除此之外，近年来出现了越来越多的进展，在很大程度上扩展了持续学习的理解和应用。人们对这一方向日益增长和广泛的兴趣表明了它的现实意义和复杂性。本文对持续学习进行了全面的调研，试图在基本设置、理论基础、代表性方法和实际应用之间建立联系。基于现有的理论和实证结果，将持续学习的一般目标总结为:在资源效率的背景下，确保适当的稳定性-可塑性权衡，以及充分的任务内/任务间泛化能力。提供了最先进的和详细的分类法，广泛分析了有代表性的策略如何解决持续学习，以及它们如何适应各种应用中的特定挑战。通过对持续学习当前趋势、跨方向前景和与神经科学的跨学科联系的深入讨论，相信这种整体的视角可以极大地促进该领域和其他领域的后续探索。