1、在线学习
实时获得一个新样本就进行一次模型更新。显然，在线学习时增量学习的特例，而增量学习可视为“批模式”的在线/离线学习。
online主要相对于offline或者说batch，强调的是每次只进入一个或者很少的几个样本，多见于推荐系统等实时运行、实时训练、实时反馈的系统，非常强调实时的反馈能力。
2、增量学习
每获得一批新样本就进行一次模型更新。学得模型后，再接收到训练样例时，仅需根据新样例对模型进行更新，不必重新训练整个模型，并且之前学得的有效信息不会被冲掉，得到一个在老数据和新数据上都能work的新模型。
“在线学习”和“增量学习”之间的区别？
- 在线学习一定是增量的。因为在线学习，实现方式就是数据一条一条流进来更新模型。技术上可以基于流计算实现。
- 增量学习不一定是在线的。因为给定一个模型和一批离线/在线数据，增量学习可以用这一批离线数据，去更新之前训练好的模型。而不需要从头开始训练一个模型。技术上可以基于批计算实现。
3、终身学习（LifeLong Learning）与 增量学习（Incremental Learning）？
Lifelong learning终生学习，又名增量学习increment learning。通常机器学习中，单个模型只解决单个或少数几个任务。对于新的任务，我们一般重新训练新的模型。而LifeLong learning，则先在task1（例如：语音识别）上使用一个模型，然后在task2（例如：图像分类）上仍然使用这个模型，一直到task n。Lifelong learning探讨的问题是，一个模型在很多个task上表现都很好。如此下去，模型能力就会越来越强。这和人类不停学习新的知识，从而掌握很多不同知识，是异曲同工的。
LifeLong learning需要解决三个问题
- Knowledge Retention 知识记忆。我们不希望学完task1的模型，在学习task2后，在task1上表现糟糕。也就是希望模型有一定的记忆能力，能够在学习新知识时，不要忘记老知识。但同时模型不能因为记忆老知识，而拒绝学习新知识。总之在新老task上都要表现比较好。
- Knowledge Transfer 知识迁移。我们希望学完task1的模型，能够触类旁通，即使不学习task2的情况下，也能够在task2上表现不错。也就是模型要有一定的迁移能力。这个和transfer learning有些类似。
- Model Expansion 模型扩张。一般来说，由于需要学习越来越多的任务，模型参数需要一定的扩张。但我们希望模型参数扩张是有效率的，而不是来一个任务就扩张很多参数。这会导致计算和存储问题。
4、life long learning 与 multi- task的区别？
多个任务（或者可以一个任务的不同domain）不是同时学，而是依次有顺序的学习，但是依次学习面临的问题是学到新知识，忘记了新知识，也就是catastrophic forgetting。另外，任务学习的顺序也很重要！！！
其实，multi- task也可以解决life long learning问题（multi- task是LLL的上界，相当于复习以前的内容），但是存在一些问题：
（1）存储空间:当有大量任务需要同时学习的时候，说明此刻机器需要将所有任务的资料或数据同时存储并且学习，那么当任务数大且占用内存大时，便会导致存储空间不足。
（2）计算问题：因为任务量大，模型需要同时调整多个任务的参数，计算量会无限增大，计算速度变慢。
这时，有人就会想到，那既然同时学习不行，会产生内存和计算的问题，那是不是可以单独学习每个任务呢？
回答当然是可以的，but， 每个任务单独学习首先仍然存在内存开销大的问题，其次，针对每个任务单独学习一个模型，每个任务之间的知识是不互通，无法发生知识迁移，这也就违背了life long learning的初衷
5、Life long learning 和transfer learning的区别？
transfer learning更关注后续任务的学习，如果我们把transfer learning比作一个奥运长跑冠军，那么life long learning则相当于奥运会中的全能选手，他需要关注到每个任务的性能，保证模型十八般武艺都精通。
6、在线学习（Online Learning）和离线学习（Offline Learning）的区别？
第一种理解
在线学习，通常是一次输入一条数据（而不是一个batch），训练完了直接更新权重。一个一个地按照顺序处理数据，但是每一个数据训练完后都会直接更新权重，但不知道是对是错，如果某一次权重更新错误，在这之后的权重更新可能一直都是错的，最后得到的模型可能就会逐渐走向错误方向，残差出现。在线学习先按顺序处理数据，他们产生一个模型，并把这个模型放在实际操作中，不需要一开始就提供完整的训练数据集。随着更多实时数据进入模型，模型会在操作中不断被更新
离线学习，类似于批量学习，假设整个样本有m个数据，离线训练会训练m的整数倍次数，然后带入下一条，直至跑完整个样本，这个时候误差率可能不让你满意，把整个样本又做个上述操作，直至误差很小。离线学习是一个batch训练完才更新权重，因此要求所有数据必须在每一个训练训练操作中（batch）中都是可用的，这样不会因为个别数据的更新错误把网络带向极端。
第二种理解
在线学习中，恰恰相反，在线算法按照顺序处理数据。它们产生一个模型，并在把这个模型放入实际操作中，而不需要在一开始就提供完整的的训练数据集。随着更多的实时数据到达，模型会在操作中不断地更新。具体而言，在线学习（Online Learning）指的是在数据不断到来的过程中，动态地更新模型。在线学习具有实时性，可以快速适应新数据的特征变化，而且可以避免离线学习需要重新生成模型的问题。但是，由于在线学习需要实时计算，因此会对系统的性能产生一定的影响。此外，由于在线学习需要实时计算，因此需要进行一定的模型设计和优化，以提高算法的效率和准确性。
在离线学习中，所有的训练数据在模型训练期间必须是可用的。只有训练完成了之后，模型才能被拿来用。简而言之，先训练，再用模型，不训练完就不用模型。
具体而言，离线学习（Offline Learning）指的是在离线状态下，使用历史数据进行学习，从而生成模型。这种方式的优点是可以在对数据进行了预处理后，通过离线计算的方式，快速地生成模型。缺点是模型生成后，无法对其进行动态更新，对于新数据的学习需要重新生成模型，因此不太适用于需要频繁更新模型的场景。