تُكتسب بنية التوسع الديناميكي شعبية متزايدة في تعلم الفئات التدريجي، وذلك بشكل رئيسي بفضل ميزاتها في تقليل النسيان الكارثي. ومع ذلك، لا تُقيّم مشكلة التباس المهام بشكل كافٍ ضمن هذا الإطار، مثل الفجوة بين الفئات المختلفة بين المهام (أي التباس بين المهام، ITC)، وكذلك التفضيل المستمر لحزمة الفئة الأخيرة (أي التباس بين القديم والجديد، ONC). قمنا بتوثيق تأثيرات الجانب السلبي ل两类 التباس من خلال تجارب تجريبية. وفي الوقت نفسه، تم اقتراح حل جديد يُسمى التعلم التدريجي المرتبط بالمهمة (TCIL) لتشجيع استخدام مميزات تمييزية وعادلة عبر المهام المختلفة. يقوم TCIL بتنفيذ استخلاص معرفة متعدد المستويات لنقل المعرفة المكتسبة من المهام القديمة إلى المهمة الجديدة. كما يُنشئ مسارات تدفق معلومات على كل من مستوى الميزات ومستوى الاحتمالات (logits)، مما يمكّن عملية التعلّم من الوعي بالفئات القديمة. علاوة على ذلك، تم تطبيق آلية الانتباه وإعادة تقييم الفاصل التصنيفي لتكوين درجات تصنيف أكثر عدالة. أجرينا تجارب واسعة على مجموعتي بيانات CIFAR100 وImageNet100. وأظهرت النتائج أن TCIL يحقق باستمرار دقة من المستوى الرائد (state-of-the-art). كما أن TCIL يخفف من كلا النوعين من التباس (ITC وONC)، ويُظهر ميزة واضحة في مواجهة النسيان الكارثي، حتى دون استخدام ذاكرة إعادة تشغيل (rehearsal memory).