标题:蒙特利尔大学、DeepMind、苏黎世大学|Sequoia: A Software Framework to Unify Continual Learning Research（Sequoia：统一持续学习研究的软件框架）

推荐理由：持续学习新范式及第一个实现，并具有来自持续监督学习 (CSL) 和持续强化学习 (CRL) 领域两种能力。

简介：持续学习 (CL) 领域旨在随着时间的推移开发积累知识的算法，通过与非平稳环境和数据分布的交互来提高技能。衡量 CL 的进展可能很困难，因为过多的评估程序和算法解决方案出现，每个关于 CL 问题的一组假设都有自己的潜在脱节。在在这项工作中，我们将每个设置视为一组假设。然后我们在 CL 中创建一个树形的研究设置层次结构，其中更一般的设置成为那些的父类带有更严格的假设。这使得可以使用继承来共享和重用研究，因为为给定环境开发一种方法也使其直接适用于任何它的子类。我们将这个想法实例化为一个名为Sequoia 的公开软件框架，它还包括越来越多的方法易于扩展和定制，以及来自第三方的更专业的方法库。