연구진은 실시간 제약 조건 하에서 적응 가능한 지능형 시스템 개발에 초점을 맞췄어요. 이를 위해 자기 지도 학습, 온라인 학습, 그리고 효율적인 메모리 관리를 위한 퍼터베이션 기반 학습을 결합하는 방법을 제안했어요. 특히 대규모 에코 스테이트 네트워크(ESN)에서 발생하는 문제점을 해결하기 위해 입력 의존성 성분만 퍼터베이션하는 방법을 제시했어요.
입력 의존성 성분만 퍼터베이션함으로써, 효과적인 퍼터베이션 차원을 에코 스테이트 네트워크의 차원에서 입력 차원으로 줄일 수 있었어요. 이는 자기 지도 학습, 온라인 학습, 그리고 스칼라-피드백 퍼터베이션 학습을 유지하면서도 차원 크기에 따른 분산 증가 문제를 해결하는 데 기여했어요.
연구 결과는 온라인 학습을 목표 함수의 동적으로 필요한 저차원 구성 요소에 제한하는 설계 원칙을 제시하며, 확장 가능하고 하드웨어 호환성이 뛰어난 학습 시스템 개발에 중요한 시사점을 제공해요.