النماذج التي يتم تدريبها في سياق التعلم المستمر (CL) يجب أن تكون قادرة على التعلم من تدفق البيانات على مدى فترة زمنية غير محددة. التحديات الرئيسية هنا هي: 1) الحفاظ على المعرفة القديمة مع الاستفادة منها عند تعلم المهام الجديدة، و2) ضمان قابلية توسع النموذج مع زيادة كمية البيانات للتعلم منها. لمواجهة هذه التحديات، نقدم الذاكرة الجينيراتيفية الديناميكية (DGM) - إطار عمل يعتمد على البلاستيكيّة العصبية للتعلم المستمر. تعتمد DGM على شبكات الخصم الجينيراتيفية الشرطية مع بلاستيكيّة الاتصال القابلة للتعلم والتي تُحقق باستخدام التغليف العصبي. بشكل خاص، نقيم نوعين من التغليف العصبي: مطبق على (i) تنشيط الطبقات و (ii) الأوزان الاتصالية مباشرة. بالإضافة إلى ذلك، نقترح آلية توسيع شبكة ديناميكية تضمن وجود طاقة نموذجية كافية لاستيعاب المهام القادمة باستمرار. يتم تحديد كمية الطاقة المضافة ديناميكياً من القناع الثنائي المُتعلم. نقوم بتقييم DGM في الإعداد الفئوي المتزايد المستمر للمهام التقسيمية البصرية.