연구진은 기존 분석적 지속 학습 방법의 성능 저하 원인을 스펙트럴 간섭으로 밝혀냈습니다. 스펙트럴 간섭은 여러 작업의 역상관 연산자가 공유되면서 새로운 데이터가 기존 데이터의 스펙트럼을 교란하여 오래된 클래스 로짓을 변경하기 때문입니다.
SPARCL은 스펙트럼 파티셔닝을 통해 오래된 클래스 로짓의 안정성을 확보하는 새로운 분석적 지속 학습 방법입니다. 핵심 부분은 고에너지 코어와 잔여 보조 블록으로 분리하고, 코어 부분은 고정하고 잔여 블록만 업데이트합니다.
CIFAR-100, CUB-200, ImageNet-R, ImageNet-A 데이터셋에서 SPARCL은 기존 분석적 학습 방법과 강력한 표현 매칭 방법 간의 성능 격차를 줄이며, Fly-CL과 같은 희소 특징 장식 방법과 상호 보완적으로 작동합니다.