Bài báo này đề cập đến vấn đề Nhận dạng lại người trọn đời (LReID) trong học dữ liệu liên tục. LReID đưa ra sự đánh đổi giữa sự khác biệt trong phạm vi (những khác biệt tinh tế của cá nhân, ví dụ như quần áo, phụ kiện) và sự khác biệt giữa các phạm vi. Các phương pháp hiện có chủ yếu tập trung vào việc giảm sự khác biệt giữa các phạm vi thông qua việc chắt lọc kiến thức, nhưng có xu hướng bỏ qua sự khác biệt trong phạm vi. Để cân bằng sự khác biệt trong phạm vi và sự khác biệt giữa các phạm vi, bài báo này đề xuất một mô hình học biểu diễn nhất quán theo phạm vi (DCR) mới tận dụng các biểu diễn toàn cục và biểu diễn thuộc tính cụ thể. Ở cấp độ trong phạm vi, chúng tôi tận dụng mối quan hệ bổ sung giữa các biểu diễn toàn cục và biểu diễn thuộc tính cụ thể để tăng cường sự khác biệt giữa các danh tính tương tự. Để giải quyết vấn đề quên do sự khác biệt quá mức trong phạm vi, chúng tôi đề xuất các chiến lược ngăn ngừa quên dựa trên thuộc tính (AF) và củng cố kiến thức (KC). Kết quả thử nghiệm chứng minh rằng mô hình DCR được đề xuất vượt trội hơn các phương pháp LReID hiện đại.
