من المشاكل الرئيسية على طريق الذكاء الاصطناعي هو تطوير أنظمة التعلم التدريجي التي تتعلم المزيد من المفاهيم بمرور الوقت من خلال تيار البيانات. في هذا البحث، نقدم استراتيجية تدريب جديدة، وهي iCaRL (Incremental Classifier and Representation Learning)، والتي تسمح بالتعلم بطريقة فئوية تدريجية: حيث يجب أن تكون بيانات التدريب لعدد قليل من الفئات متاحة في نفس الوقت ويمكن إضافة فئات جديدة بشكل تدريجي. يتعلم iCaRL تصنيفات قوية وتمثيل البيانات في آن واحد. وهذا ما يميزه عن الأعمال السابقة التي كانت محدودة بشكل أساسي بتمثيلات بيانات ثابتة وبالتالي غير متوافقة مع هياكل التعلم العميقة. نظهر من خلال التجارب على بيانات CIFAR-100 و ImageNet ILSVRC 2012 أن iCaRL يمكنه التعلم بشكل تدريجي للكثير من الفئات على مدى فترة زمنية طويلة حيث تفشل استراتيجيات أخرى بسرعة.