本文提出了一种名为轨迹重放(Trajectory Replay)的连续时间生成模型持续学习框架,旨在解决模型在适应新数据时发生灾难性遗忘的难题。该方法通过在全路径上对历史速度场和新任务速度场进行回归,避开了传统生成重放所需的完整轨迹模拟,从而大幅减少了累积误差和计算成本。文章从理论上证明了该优化目标的总体最优解能够恢复历史概率路径与新任务概率路径的密度加权混合,并通过稳定-可塑性系数精确控制两者的权衡。结合平均流蒸馏(Mean Velocity Distillation)技术,该框架仅需极少网络评估即可访问历史轨迹。在单细胞基因表达、显微图像生成以及多任务图像基准测试等多个领域的实验表明,该方法在保持历史任务记忆的同时,能够高效适应新数据,性能显著优于现有的生成重放和蒸馏基线。
References:
Palma A, Jones C, Cinquin T, et al. Trajectory Replay: Continuous-Time Mixture Transport for Lifelong Generative Models[J]. arXiv preprint arXiv:2610.26749, 2026.

