Maximally Interfered Retrieval（最大干扰检索，简称MIR）是一种在在线持续学习中用于检索相关记忆的准则。其主要思想是，在接收新样本时，从先前的历史中检索出那些预测结果会因模型参数更新而受到最大负面影响的样本。

具体来说，在经验回放设置中，通过计算样本在参数更新前后的损失变化来确定最受干扰的样本；在生成模型设置中，通过最大化损失差异来找到最受干扰的数据点，并考虑多样性约束和熵惩罚。

MIR方法与随机采样和其他基线方法相比，能够减少遗忘并提高性能，在多个数据集上的实验验证了其有效性。它为在线持续学习提供了一种更有效的样本选择策略，有助于模型更好地学习和适应新的数据。