TRACE：免回放的时间序列类增量学习框架

2026 年 10 月 27 日，arXiv（cs.AI / cs.LG）出现一篇论文，提出 TRACE——一个免回放的时间序列类增量学习（TSCIL）框架。该方法以「时序-频谱重建」替代样本回放：用紧凑、冻结的时序-频谱表示配合轻量级类专属自编码器保存各类知识，分类时直接依据重建打分完成，从而不必存储和重放旧样本。论文称在 5 个 TSCIL 基准上评测，相比最强基线 TS-ACL，平均保留内存降低约 98.26%；在 GrabMyo 上取得约 33.43% 的相对准确率提升。目前仅有该篇论文发布层面的报道，尚无后续独立复现、同行评审或其他验证结果的报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。