إن القدرة على التعلم التدريجي للصفوف الجديدة أمر بالغ الأهمية لتطوير أنظمة الذكاء الاصطناعي في العالم الحقيقي. في هذه الورقة، نركّز على مشكلة التعلم التدريجي للصفوف القليلة (FSCIL) التي تمثل تحديًا عمليًا كبيرًا. تتطلب مشكلة FSCIL من نماذج الشبكات العصبية التلافيفية (CNN) التعلم التدريجي للصفوف الجديدة من عدد ضئيل جدًا من العينات المُعلَّمة، دون نسيان الصفوف التي تم تعلّمها سابقًا. ولحل هذه المشكلة، نمثل المعرفة باستخدام شبكة "الغاز العصبي" (NG)، التي تستطيع تعلّم وحفظ البنية الطوبولوجية للمنطقة المميزة التي تتشكل من فئات مختلفة. بناءً على هذا الأساس، نقترح إطار عمل يُسمى TOpology-Preserving knowledge InCrementer (TOPIC). يقلل إطار TOPIC من نسيان الصفوف القديمة من خلال تثبيت البنية الطوبولوجية لشبكة NG، ويعزز التعلم الممثّل للصفوف الجديدة القليلة العينات من خلال نموّ وتكيف شبكة NG مع العينات التدريبية الجديدة. وأظهرت النتائج التجريبية الشاملة أن الطريقة المقترحة تتفوّق بشكل كبير على الطرق الأخرى المتطورة في مجال التعلم التدريجي للصفوف على مجموعات بيانات CIFAR100 وminiImageNet وCUB200.