本書的主要內(nèi)容為連續(xù)學(xué)習(xí)的理論和應(yīng)用的一些關(guān)鍵技術(shù)方法，其創(chuàng)新點包括：(1)提出一種跨時序任務(wù)的感知目標(biāo)函數(shù)；(2)提出一種代表性重演樣本挑選算法；(3)提出一種基于元學(xué)習(xí)的訓(xùn)練樣本影響的計算方法；(4)提出一種基于非對稱的梯度度量與最大差異優(yōu)化算法；(5)提出一種基于增廣圖網(wǎng)絡(luò)的連續(xù)多標(biāo)簽分類算法；(6)提出一種基于費雪信息矩陣融合的聯(lián)邦連續(xù)學(xué)習(xí)算法；(7)提出一種基于兩級動態(tài)圖構(gòu)建的小樣本連續(xù)學(xué)習(xí)算法。隨著人工智能在各個領(lǐng)域的應(yīng)用推廣及逐步普及，研究人員對該領(lǐng)域的學(xué)習(xí)有著濃厚的興趣和需求，本書旨在使讀者能夠?qū)�連續(xù)人工智能的基礎(chǔ)與應(yīng)用有較為全面的認識。全文共分為8章論述：第1章，緒論；第2章，連續(xù)學(xué)習(xí)中的域漂移研究；第3章，連續(xù)學(xué)習(xí)中的樣本可解釋性研究；第4章，連續(xù)學(xué)習(xí)中的多任務(wù)并行沖突性研究；第5章，連續(xù)學(xué)習(xí)在多標(biāo)簽分類中的應(yīng)用；第6章，連續(xù)學(xué)習(xí)在聯(lián)邦學(xué)習(xí)中的應(yīng)用；第7章，連續(xù)學(xué)習(xí)在小樣本分類問題中的應(yīng)用；第8章是對本書內(nèi)容的總結(jié)。