본 연구는 기존의 클래스 망각 학습 방법들이 진정한 망각을 달성하지 못하고, 망각된 정보가 모델 내부에 남아 있거나 분류기 헤드 억제에 의한 현상일 수 있음을 지적합니다.
DAMP(Depth-Aware Modulation by Projection)라는 새로운 방법론을 제시하여, 사전 훈련된 네트워크에서 망각 관련 방향을 제거하며, 기울기 기반 최적화 없이 한 번의 작업으로 수행됩니다.
MNIST, CIFAR-10, CIFAR-100, Tiny ImageNet 데이터셋과 다양한 아키텍처에서 DAMP는 기존 방법보다 더 나은 선택적 망각 성능을 보이며, 유지 클래스 성능을 더 잘 보존하고 깊은 레이어의 잔여 망각 클래스 구조를 줄입니다.