TA-KAN
一种基于Kolmogorov-Arnold Networks（KAN）的无回放持续学习框架，通过任务自适应分类器和几何引导的OOD评分，在避免灾难性遗忘的同时提升分布外检测性能。
时间轴 (近 90 天)
TA-KAN 是一个面向无回放（rehearsal-free）持续学习场景的框架，旨在同时减少对旧任务的遗忘并准确识别分布外（OOD）样本。
TA-KAN 通过按任务控制激活局部性（activation locality）设计任务自适应分类器，以增强 ID 与 OOD 样本的可分性并抑制新近偏好。
论文提出一个几何引导（geometry-guided）的 OOD 评分，作为对 TA-KAN 置信度的补充，该分数不依赖任何过去的 ID 数据，因此与无回放设定兼容。
论文报告 TA-KAN 在显著提升 OOD 检测性能的同时，保持了较强的 ID 分类表现，并在 OOD-CL 基准上取得 state-of-the-art 结果。
论文摘要层面并未披露具体的基准数据集、任务序列长度和对比方法清单，KAN 类骨干在更大规模任务序列上的稳定性仍需更多实验验证。
全部知识事实 (5)
TA-KAN 是一个面向无回放（rehearsal-free）持续学习场景的框架，旨在同时减少对旧任务的遗忘并准确识别分布外（OOD）样本。
50%待验证TA-KAN 通过按任务控制激活局部性（activation locality）设计任务自适应分类器，以增强 ID 与 OOD 样本的可分性并抑制新近偏好。
50%待验证论文提出一个几何引导（geometry-guided）的 OOD 评分，作为对 TA-KAN 置信度的补充，该分数不依赖任何过去的 ID 数据，因此与无回放设定兼容。
50%待验证论文报告 TA-KAN 在显著提升 OOD 检测性能的同时，保持了较强的 ID 分类表现，并在 OOD-CL 基准上取得 state-of-the-art 结果。
50%待验证论文摘要层面并未披露具体的基准数据集、任务序列长度和对比方法清单，KAN 类骨干在更大规模任务序列上的稳定性仍需更多实验验证。
50%