在人工智能領域，持續學習(Continual Learning, CL)系統面臨著一個根本性挑戰：當模型不斷學習新知識時，往往會迅速遺忘先前掌握的信息，這種現象被稱為"災難性遺忘"(Catastrophic Forgetting)。這一問題在醫療診斷、工業制造等動態數據場景中尤為突出，因為這些領域的模型需要持續適應新出現的疾病變體或設備配置，同時保持對已有知識的準確判斷。盡管現有研究提出了動態架構、正則化等技術，但多數方案僅適用于圖像數據，且依賴任務邊界定義，難以應對現實世界中無明確任務劃分的表格數據流。

針對這一空白，研究人員開發了TRIL3框架——首個專門針對表格數據的偽排練增量終身學習方法。該框架創新性地將增量學習向量量化算法(XuILVQ)作為原型生成器，與改進的深度神經決策森林(DNDF)分類器結合，通過動態生成合成數據來平衡新舊知識。實驗證明，僅需50%的合成數據即可在CICIDS-2017網絡入侵檢測、糖尿病再入院預測等數據集上超越傳統批訓練方法，相關成果發表在《Engineering Applications of Artificial Intelligence》。

關鍵技術包括：(1)XuILVQ算法實時更新原型集，通過距離閾值機制自動識別新數據分布；(2)改進的DNDF支持增量訓練，利用隨機梯度下降進行參數更新；(3)標準化數據流處理模塊確保特征一致性。研究采用CICIDS-2017、糖尿病電子病歷等真實數據集驗證性能，通過刻意"遺忘階段"測試模型魯棒性。

研究結果顯示：在CICIDS-2017數據集上，TRIL3在遺忘階段仍保持0.99的F₁分數，與離線訓練相當；對于不平衡的糖尿病數據集，其分類性能(F₁=0.52)顯著優于傳統回放策略(0.44)。通過UMAP可視化證實，XuILVQ生成的原型能精確捕捉原始數據分布特征，如網絡攻擊檢測中僅用80個原型即可表征復雜模式。

與現有方法對比發現：在信用卡違約預測任務中，TRIL3(50%合成數據)的F₁達0.55，而基于緩沖區的回放方法僅0.45。值得注意的是，當合成數據比例降至37.5%時，模型在葡萄酒分類中仍保持0.98召回率，證明其樣本效率優勢。但研究也發現，對于小樣本數據集(如葡萄酒質量)，傳統MLP網絡表現更優。

結論部分強調，TRIL3首次實現了表格數據流的任務無關(task-free)持續學習，其核心突破在于：(1)XuILVQ的在線原型生成機制避免了數據存儲的隱私風險；(2)動態調整的合成數據比例(50%為最優)平衡了記憶與計算成本；(3)在概念漂移(Concept Drift)場景下，性能較靜態模型提升達32%。該框架為醫療監測、金融風控等需要實時適應數據變化的領域提供了可擴展解決方案，未來研究將擴展至多分類和時間序列場景。