APRIL
一种面向呼吸音分类的免回放域增量学习框架，基于冻结音频骨干网络与顺序隔离的低秩专家，并用多级原型路由器自适应选择专家
时间轴 (近 90 天)
APRIL是一种无样本的域增量学习框架，基于共享冻结的BEATs骨干网络，顺序继承并隔离低秩专家，使新域适应不改变旧模型。
APRIL的核心是多级原型路由器：先检索前二候选专家，再融合域路由后验与分类置信度，根据匹配歧义动态加权选择最终模型。
APRIL将BEATs骨干网络冻结作为共享特征提取器，避免微调导致表征漂移，并大幅减少可训练参数。
在五个随机种子评估中，APRIL在最终会话平均分上均领先对比的持续学习方法。
APRIL在ICBHI数据集上的最终会话平均分为正向64.4%、反向65.4%。
APRIL在SPRSound数据集上的最终会话平均分为正向83.1%、反向82.2%。
在所有测试协议下，APRIL的平均遗忘率低于1.0%。
APRIL的免回放特性契合医疗场景的隐私要求，为真实医疗环境中连续呼吸音分类的部署提供了可行路径。
全部知识事实 (8)
APRIL是一种无样本的域增量学习框架，基于共享冻结的BEATs骨干网络，顺序继承并隔离低秩专家，使新域适应不改变旧模型。
50%待验证APRIL的核心是多级原型路由器：先检索前二候选专家，再融合域路由后验与分类置信度，根据匹配歧义动态加权选择最终模型。
50%待验证APRIL将BEATs骨干网络冻结作为共享特征提取器，避免微调导致表征漂移，并大幅减少可训练参数。
50%待验证在五个随机种子评估中，APRIL在最终会话平均分上均领先对比的持续学习方法。
50%待验证APRIL在ICBHI数据集上的最终会话平均分为正向64.4%、反向65.4%。
50%待验证APRIL在SPRSound数据集上的最终会话平均分为正向83.1%、反向82.2%。
50%待验证在所有测试协议下，APRIL的平均遗忘率低于1.0%。
50%待验证APRIL的免回放特性契合医疗场景的隐私要求，为真实医疗环境中连续呼吸音分类的部署提供了可行路径。
50%