增量学习（IL）旨在在获取新知识（可塑性）的同时保持已有信息（稳定性），但在两者之间取得平衡一直是智能系统的难点。人脑通过多个记忆单元协同编码存储，实现了卓越的平衡。受此启发，本文提出了包含知识编码、巩固与整合的IL框架Co2In。Co2In 采用双层记忆结构：工作记忆负责自适应获取新知识，长期记忆用于持久保存信息。两者在学习过程中协同工作。工作记忆首先在新数据上学习，将知识编码为模型参数；随后进行巩固，识别参数中的潜在模式并重新表达为紧凑的知识表示。该表示连同识别出的模式被转换为独立的网络层并并入长期记忆。上述机制使 Co2In 在保持高可塑性的同时实现了稳定的知识积累。我们在 CIFAR-10、CIFAR-100 和 Tiny-ImageNet 的无样本类增量学习和任务增量学习设置下进行评估，实验表明 Co2In 在显著降低记忆开销的同时达到了最新水平的性能。点评