본 연구는 지속적 학습(CL)에서 발생하는 파국적 망각 문제를 해결하기 위해 콜모고로프-아르노 네트워크(KAN)의 노드별 중요도 정규화 기법인 KAN-CL을 제안합니다.
KAN-CL은 기존 방식 대비 Split-CIFAR-10/5T 및 Split-CIFAR-100/10T 벤치마크에서 망각 감소율이 각각 88%, 93%로 향상되었으며, 정확도 또한 기준 모델을 능가했습니다.
본 연구는 KAN의 스플라인 국소성이 교차 작업 NTK에서 구조적 순위 결핍을 유발하여 파국적 망각에 대한 경계를 제시하며, 기능 학습에서도 유효함을 보였습니다.