‌1. 域增量学习（Domain-Incremental Learning）‌

• ‌定义‌：
  每个任务的‌类别相同‌，但数据分布（域）不同。模型需要在不同领域的数据上持续学习，但只需判断任务内的已知类别。
• ‌核心差异‌：
  数据分布变化（如不同来源、风格），但分类目标不变。
• ‌示例‌：
  • ‌任务1‌：识别英文手写数字（0-9，训练数据来自美国用户）。
  • ‌任务2‌：识别中文手写数字（0-9，训练数据来自中国用户）。
  • ‌测试‌：给定中文手写数字“5”，模型需正确分类为“5”，无需关心数据来自哪个国家。

‌2. 任务增量学习（Task-Incremental Learning）‌

• ‌定义‌：
  每个任务的‌类别不同‌，且测试时‌任务标识已知‌。模型根据任务标识在对应类别中选择答案。
• ‌核心差异‌：
  任务间类别互斥，且测试时明确告知当前任务。
• ‌示例‌：
  • ‌任务1‌：动物分类（类别：猫、狗）。
  • ‌任务2‌：交通工具分类（类别：汽车、飞机）。
  • ‌测试‌：
    • 输入一张汽车图片，并告知当前任务是“交通工具分类”，模型只需在“汽车/飞机”中选择。
    • 输入一张猫图片，并告知当前任务是“动物分类”，模型只需在“猫/狗”中选择。

‌3. 类别增量学习（Class-Incremental Learning）‌

• ‌定义‌：
  每个任务的‌类别不同且互斥‌，测试时‌任务标识未知‌。模型需同时判断样本来自哪个任务及具体类别。
• ‌核心差异‌：
  任务标识未知，需区分所有已学类别（跨任务）。
• ‌示例‌：
  • ‌任务1‌：学习分类猫、狗。
  • ‌任务2‌：学习分类汽车、飞机。
  • ‌测试‌：
    • 输入一张汽车图片，模型需直接输出“汽车”（需区分所有已学类别：猫、狗、汽车、飞机）。
    • 输入一张猫图片，模型需直接输出“猫”（无需知道当前属于哪个任务）。