본 논문은 프롬프트 기반의 연속 학습(CL) 방법을 위한 자원 효율적인 접근 방식인 REP(resource-efficient prompting)를 소개한다. REP는 계산 및 메모리 효율성을 향상시키면서 정확도 저하를 최소화하는 것을 목표로 한다. 이를 위해 신속한 프롬프트 선택, 적응형 토큰 병합(AToM), 적응형 레이어 드롭(ALD)을 활용하여 새로운 작업을 학습하는 동안 데이터 및 모델 레이어를 선택적으로 건너뛴다. 이미지 분류 데이터셋에 대한 실험을 통해 REP가 최첨단 재학습 없는 CL 방법보다 자원 효율성이 우수함을 입증한다.
