一篇2017年的经典文章，iCaRL: Incremental Classifier and Representaion Learning。作者提出了一种增量学习实现方法简称iCaRL，这是一种增加识别种类的学习算法。想法是构建并管理一个exemplar set（旧数据的代表性样本集合），在增量学习阶段，把新数据和该exemplar set混合作为输入数据，模型训练结束后，再把部分新数据添加到exemplar set，并剔除部分旧数据（因为内存有限）。
在未增量的模型中，执行以下算法：
x是输入数据，P是代表性样本集合，t是样本种类的总数。求解当前exemplar中，每个样本种类的均值Uy。比较输入数据与哪个样本种类的均值Uy差值最小（最接近），即把输入数据分为该样本类型。
在增量过程中，执行以下算法：
增量的训练过程中使用旧知识的代表性样本集合P，输入数据Xs...Xt及当前模型的参数，三者共同更新当前模型的参数。
接下来，对exemplar set进行更新，因内存有效，该集合需要删除部分旧知识，以添加新知识进入集合。
对于更新操作，分为Reduce和Construct两个操作。伪代码分别如下：
其中，进出集合的规则是按每个样本离该样本种类均值的远近。
来源：oschina
链接：https://my.oschina.net/u/4406496/blog/4710519