聯邦類增量學習（Federated Class Incremental Learning, FCIL）是聯邦學習與持續學習的交叉領域，旨在使分佈式智能系統能夠在數據孤島之間協作，並持續適應新任務。然而，這種結合帶來了兩種耦合的干擾源：來自異構客户端的空間干擾和來自順序任務的時間干擾，兩者共同導致時空災難性遺忘（Spatial-Temporal Catastrophic Forgetting, ST-CF）。現有方法通常採用獨立機制分別處理空間和時間干擾，但這往往需要額外的客户端計算或通信開銷，並且在聚合過程中對更新之間的方向性交互缺乏規範。例如，一些方法通過正則化或回放來緩解遺忘，但增加了客户端負擔；而另一些則試圖在服務器端調整聚合權重，但未能有效協調不同來源的更新方向。
在這項被ECCV 2026接收的研究中，Jaeik Kim和Jaeyoung Do將FCIL重新解釋為一個統一的多任務學習問題，其中客户端和任務更新都被表示為共享參數空間中的自適應向量。基於這一觀點，他們提出了SUM（Unified Geometric Surgery on Spatio-Temporal Adaptation Vectors），這是一個純服務器端的框架，在聚合過程中對自適應向量執行幾何手術。SUM包含兩個主要組件：空間SUM在每個通信輪次內緩解客户端級別的干擾，它通過調整客户端更新向量的方向來減少異構性帶來的衝突；因果在線時間SUM則隨時間推移消除跨任務干擾，它利用因果推斷確保任務更新不會干擾之前的任務知識。這兩種組件都不需要額外的客户端計算、通信或內存開銷，僅依賴標準的聯邦訓練過程。
實驗結果表明，SUM在多種視覺和語言基準測試中，相比先前的FCIL方法實現了高達22%的性能提升。例如，在CIFAR-100和Tiny-ImageNet等圖像分類任務以及文本分類任務上，SUM一致優於現有方法。同時，該方法對不可靠的客户端保持魯棒性，即使部分客户端掉線或上傳損壞的更新，SUM仍能維持性能。此外，SUM的計算效率與標準聯邦學習相當，沒有引入顯著開銷。論文的代碼和更多細節可通過arXiv獲取（arXiv:2607.19384）。該工作為聯邦持續學習提供了一種優雅且高效的解決方案，有望推動分佈式智能系統在實際應用中的部署。