연구팀은 지속적 학습(CL) 환경에서 사용자 선호도에 맞춰 모델 성능을 조절하는 Tunable MAGMAX 프레임워크를 제안했어요. 이 방법은 모델 병합 시 각 작업 벡터에서 선택할 요소 수를 제어하는 선호도 벡터를 도입하여 다양한 배포 환경에 적합한 모델을 구축할 수 있도록 돕습니다. 작업 성능 선호도가 다른 다양한 환경에 CL 모델을 배포하는 데 실용적인 솔루션이며, 기존 방법 대비 우수한 성능을 보여줬어요.
Tunable MAGMAX는 목표 환경 데이터와 모델 훈련 작업 데이터셋을 활용하여 적절한 선호도 벡터를 자동으로 생성하는 방법을 포함하여 수동 설정의 필요성을 없앴습니다. 이를 통해 각 작업별 성능을 효과적으로 제어하고 다양한 목표 환경에 맞게 모델을 조정할 수 있습니다.
실험 결과, 지속적 학습 벤치마크 작업에서 Tunable MAGMAX는 기존 방법 대비 우수한 성능을 보였으며, 다양한 목표 환경에 병합된 모델을 성공적으로 적용할 수 있었습니다.