연구진은 지속적 모델 병합(CMM)의 학습 용량 분배 제어 부족으로 인한 과도한 망각 문제를 해결하기 위해 ODE-M이라는 새로운 방법을 제안했어요.
ODE-M은 독립적으로 학습된 모델 간의 연결을 고려하여 손실 장벽을 넘지 않는 경로를 추적하는 방식으로, 기존 방법의 고정된 조합 방식을 개선했어요.
실험 결과, ODE-M은 기존 CMM 벤치마크에서 최고 성능을 달성하며, 다양한 중요도를 가진 작업에서도 일관성 있는 성능 분배를 가능하게 해요.