연구진은 LLM-as-Aligner 모델의 지속적 학습 시 발생하는 파국적 망각 문제를 해결하기 위해 G2LoRA 프레임워크를 제안했어요. G2LoRA는 텍스트 속성 그래프(TAG)에서 노드, 링크, 그래프 레벨 작업을 단일 그래프-텍스트 정렬 목표 하에 통합하고 일관된 최적화를 지원해요.
카테고리별 그래디언트 투영을 통해 작업 간 간섭을 줄이고 긍정적인 지식 전달을 장려하며, 그래프와 텍스트 인코더 간의 업데이트 속도를 조절해 교차 모달 드리프트를 방지해요.
벤치마크 데이터셋 실험 결과, G2LoRA는 다양한 백본 아키텍처에서 강력한 기준 모델을 능가하며 우수한 지속적 성능과 전달성을 달성했어요.