Modelle, die im Kontext des kontinuierlichen Lernens (CL) trainiert werden, sollten in der Lage sein, aus einem Datenstrom über einen unbestimmten Zeitraum zu lernen. Die Hauptausforderungen hierbei sind: 1) das Aufrechterhalten alter Wissen, während gleichzeitig davon profitiert wird, wenn neue Aufgaben gelernt werden, und 2) die Gewährleistung der Skalierbarkeit des Modells bei einer wachsenden Menge an Lerndaten. Um diesen Herausforderungen gerecht zu werden, stellen wir Dynamic Generative Memory (DGM) vor – ein synaptische Plastizität getriebenes Framework für kontinuierliches Lernen. DGM basiert auf bedingten generativen adversären Netzen mit lernfähiger Verbindungsplastizität, die durch neuronales Maskieren realisiert wird. Insbesondere evaluieren wir zwei Varianten des neuronalen Maskierens: angewendet auf (i) Schichtaktivierungen und (ii) direkt auf Verbindungsgewichte. Darüber hinaus schlagen wir einen Mechanismus zur dynamischen Netzwerkausdehnung vor, der sicherstellt, dass das Modell genügend Kapazität hat, um ständig eintreffende Aufgaben zu bewältigen. Die Menge der hinzugefügten Kapazität wird dynamisch aus dem gelernten binären Masken bestimmt. Wir evaluieren DGM in der kontinuierlichen klasseninkrementellen Setup bei visuellen Klassifizierungsaufgaben.