GDumb（GDumb: A Simple Approach that Questions Our Progress in Continual Learning）是一种持续学习（Continual Learning）的方法。
传统的持续学习方法通常试图在学习新任务时，尽可能减少对旧知识的遗忘。然而，GDumb采取了一种截然不同的策略，它主张在学习新任务时，先暂时“遗忘”旧知识，而是通过重新学习来恢复对旧任务的记忆。
具体来说，GDumb的工作流程如下： 1. 在训练阶段，对于每个新任务，GDumb只使用当前任务的数据进行训练，而不考虑之前的任务。 2. 在测试阶段，当需要对某个旧任务进行测试时，GDumb会重新使用该任务的原始数据进行训练，从而恢复对该任务的记忆。
GDumb的优点在于它的简单性和高效性。与其他复杂的持续学习方法相比，GDumb不需要进行繁琐的参数调整和优化，同时能够在一定程度上避免对旧知识的遗忘。
然而，GDumb也存在一些局限性，例如它需要在测试阶段重新训练模型，这可能会导致计算成本的增加。此外，GDumb对于任务之间的相关性和顺序等因素的考虑较少，可能会在某些情况下影响学习效果。
总的来说，GDumb是一种有趣的持续学习方法，为解决持续学习中的问题提供了新的思路。