본 연구는 지속적 학습에서 망각을 직접적인 간섭으로 모델링해야 한다고 주장해요. 딥 네트워크에서 망각은 이전 작업에 유도된 간섭 에너지와 정확히 일치하는 것으로 나타났어요. 연구진은 간섭을 활용한 새로운 방법인 IGFA를 개발했는데, 이는 기존의 리플레이 방식 없이도 망각을 최소화하고 성능을 유지해요.
IGFA는 작업 간의 유사성을 고려하여 방향을 공유하거나 보호하는 방식으로 작동하며, 다양한 벤치마크에서 기존 방법보다 우수한 성능을 보여줬어요. 구조적으로 분리 가능한 작업에서는 손실 없는 유지율을 달성하고, 그렇지 않은 경우에는 회복 가능한 가소성을 통해 망각 비용을 지연시켜요.
본 연구는 지속적 학습에 대한 새로운 관점을 제시하며, IGFA는 기존의 리플레이 방식이나 피셔 기반 방법보다 효율적인 대안이 될 수 있음을 보여줘요.