DLER: 用于在线持续学习的双 Logit 经验回放

针对在线持续学习中历史数据回放导致的预测偏差问题，提出双 Logit 经验回放（DLER）方法。 该方法将点积 Logit 分解为角度因子和范数因子，结合余弦 Logit 训练当前样本与额外点积 Logit 回放历史样本，并引入辅助监督对比目标以增强类内角度紧凑性。 在三个数据集的实验中，DLER 有效提升了在线持续学习性能，尤其在有限内存预算下表现显著。