연구진이 BiMU라는 새로운 방법을 제안하여, 제한된 컴퓨팅 환경에서 지속적인 학습과 예측 불확실성 감지를 가능하게 합니다. BiMU는 안정성, 가소성, 망각을 균형 있게 조절하는 경계 메모리 변분 목적 함수에서 파생되었습니다. 이 방법은 불확실성 의존적 스텝 사이즈를 통해 포화 현상을 방지하고 정보성 불확실성을 유지합니다.
BiMU는 Permuted-MNIST에서 1000개의 작업에 대해 학습을 유지하고, OpenLORIS-Object에서는 클래스 불균형 및 특징 압축 환경에서 최대 32배의 레이블/업데이트 절약을 달성했습니다. 이는 기존 방식 대비 효율성을 크게 향상시킨 결과입니다.
새로운 방법은 베이지안 이진 신경망의 한계를 극복하고, 능동적 쿼리를 통해 레이블 쿼리와 역전파 업데이트를 줄이는 데 기여합니다.