Page 91 - 《软件学报》2026年第4期

1532 软件学报 2026 年第 37 卷第 4 期

learned tasks while acquiring new tasks but also to recognize unknown categories, thus achieving continuous and robust knowledge
accumulation and generalization. However, most existing continual learning methods are built upon the closed-world assumption and
cannot effectively cope with the category uncertainty and inter-task interference introduced by open categories. In particular, they show
clear limitations in balancing knowledge stability and plasticity. Therefore, based on the formal definition of the OWCL problem, this
study proposes a task-aware prompt-driven mixture-of-experts model (TP-MoE), which realizes dynamic modeling of task semantics and
efficient scheduling of expert modules, thus supporting knowledge transfer and knowledge update. Specifically, TP-MoE introduces a plug-
and-play task prompt aggregation mechanism and improves the gating strategy for expert routing, enabling the continual integration of
historical and current task knowledge during task increments. At the same time, an adaptive open-boundary thresholding strategy is
incorporated, which dynamically adjusts the decision boundaries of open categories according to the transfer between new and old
knowledge, thus enhancing both open-category detection capability and known-category classification accuracy. Experimental results
demonstrate that TP-MoE achieves state-of-the-art performance across various metrics on the Split-CIFAR100 and Open-CORe25
benchmarks, exhibiting strong robustness and generalization. This study provides a scalable and transferable framework for knowledge
modeling and task scheduling in open-world continual learning.
Key words: open-world continual learning (OWCL); continual learning; task-aware; mixture-of-experts (MoE) model; knowledge transfer

1 引 言

持续学习 (continual learning), 又称终身学习或增量学习, 旨在使模型能够通过持续地学习不同的任务而不遗
忘之前学习的任务, 并在不断学习新知识的同时保留已获得的知识 [1−3] . 现有的大多数持续学习方法通常建立在
“封闭世界”的假设之上, 即各任务的数据分布保持不变, 每个任务的训练集和测试集中的类别集合保持一致 [4−6] .
然而, 现实应用环境往往远比这一假设复杂: 模型可能在测试阶段遇到从未见过的新类别 (即开放类别) [7−9] , 这就
导致即便是性能最优的持续学习方法, 在面对测试时出现的未知类别时也会表现出显著的性能退化. 正是由于这
些现实挑战, 推动了持续学习向更具实际应用价值的开放世界环境下拓展, 要求持续学习模型在适应性和鲁棒性
方面具备更高能力, 以应对复杂动态的开放环境变化.
开放世界持续学习 (open-world continual learning, OWCL) [6,9,10] 是一种兼具实用性与挑战性的新的机器学习范
式. 在开放世界持续学习中, 模型需在开放环境中不断地适应潜在的动态任务序列, 其中包含的开放未知类别可能
在测试阶段不可预测、随机地出现 [9−12] . 与传统封闭集假设下的持续学习模型不同, 开放世界持续学习强调“边学
边用”, 这不仅要求开放世界持续学习模型能够识别从未见过的样本 (或未知类别), 还需要在不遗忘旧任务知识的
前提下持续地学习和更新关于新出现的任务的知识. 如图 1 所示, 我们以任务 1 至任务 t 简要展示开放世界持续
学习意图和本文研究动机. 在任务 1 中, 测试集中出现了训练集中没有出现过的未知类别, 面对这样的情况, 现有
的持续学习模型 (对应输出 1) 无法正确地识别出开放类别, 而是强制地将其错误地分类至现有的类别中; 然而, 开
放世界持续学习模型 (对应输出 2) 能够正确地识别出开放类别, 同时也能保证在已知类别 (即训练集中出现过的
类别) 上的分类准确度. 随着任务不断地出现和学习, 到任务 t 时, 出现了之前任务 1 中的开放类别的有标记样本,
那么持续学习模型才能够正确地将其分类, 但是面对没有标记的未知样本依然会造成错误的判别; 然而开放世界
持续学习模型不仅能够不遗忘已经学习过的知识, 还能够保持检测开放未知样本的良好能力, 减少错误分类的发
生, 展示出更强的泛化能力.
因此, 开放世界持续学习面临两大核心挑战: 一是如何准确识别未知样本, 避免未知样本被错误归类到现有的
已知类别中; 二是如何在持续学习的过程中保持对已学知识的稳定记忆和新学知识的增量学习, 即能够对已知样
本做出良好的分类. 而需要强调的是, 开放世界持续学习中的“开放识别”与“已知分类”并非独立任务, 而是相互依
赖、相互影响的: 未知样本的存在会加剧模型在稳定性 (stability) 与可塑性 (plasticity) 之间的权衡难度, 而新任务
的逐步持续引入又进一步模糊了已知类别在嵌入空间中的决策边界, 使得开放识别也变得更为困难.
为了应对这两个挑战, 本文首先深入分析开放世界持续学习中“已知-未知”的相互作用机制, 尝试揭示实际应
用中更加复杂的知识演化过程. 同时, 本文在实验部分详细划分了两种基础开放世界持续学习场景, 即类增量开放
世界持续学习和域增量开放世界持续学习, 并在这两个场景下复现对比了大量基准模型. 然而, 现有的开放世界持