تُدرَّس النماذج التقليدية في بيئة مغلقة لعدد ثابت من الفئات، وتحتاج إلى مجموعات بيانات مُجمعة مسبقًا. ومع ذلك، غالبًا ما تظهر فئات جديدة في التطبيقات الواقعية، ويجب تعلمها بشكل تدريجي. على سبيل المثال، تظهر أنواع جديدة من المنتجات يوميًا في التجارة الإلكترونية، وتظهر مواضيع جديدة باستمرار في المجتمعات الإعلامية الاجتماعية. في مثل هذه الظروف، يجب أن تتعلم النماذج التدريجية عدة فئات جديدة في آن واحد دون نسيان ما تعلمته سابقًا. وجدنا ارتباطًا قويًا بين الفئات القديمة والجديدة في التعلم التدريجي، ويمكن استغلال هذا الارتباط لربط مراحل التعلم المختلفة وتمكينها من التفاعل المتبادل. ونتيجة لذلك، نقترح نموذج CO-transport للتعلم التدريجي للتصنيف (COIL)، الذي يتعلم ربط الفئات عبر المهام التدريجية باستخدام العلاقات الدلالية الفئوية. وبشكل مفصل، يحتوي CO-transport على جوانب متعددة: الأول هو "النقل المستقبلي"، الذي يهدف إلى تعزيز المصنف القديم بمعرفة مُنقلة مثلى لتسريع عملية التكيف النموذجي. والثاني هو "النقل العكسي"، الذي يهدف إلى نقل مصنفات الفئات الجديدة إلى الوراء كمصنفات قديمة لمواجهة مشكلة النسيان. وباستخدام هذين النوعين من النقل، يتمكن نموذج COIL من التكيف بكفاءة مع المهام الجديدة، ويقاوم بشكل مستقر مشكلة النسيان. وقد أكدت التجارب على مجموعات بيانات معيارية وواقعية في مجال الوسائط المتعددة فعالية المنهجية المقترحة.