持续学习应保留还是适应？通用化持续学习研究

该研究挑战持续学习中以保留知识为核心的假设，提出通过平均终身误差（ALE）将其形式化为在线优化问题。 引入迁移效率量化不稳定性与瞬态误差的张力，推导出关键任务时长阈值：超出该阈值时，保留历史知识会从优势转为优化负担。 将持续学习与可预测序列的在线学习框架关联，提出预测性持续学习算法类，其Window算法在受控分布漂移下优于联合任务学习与独立任务学习。