वास्तविक दुनिया में मशीन लर्निंग के परिनियोजन में, मॉडलों को आवश्यकतानुसार निरंतर अद्यतन, निर्मित और चुनिंदा रूप से त्यागना आवश्यक होता है। हालाँकि, मौजूदा मॉडल विलय और निरंतर सीखने के तरीके अक्सर कार्य हस्तक्षेप, भयावह विस्मृति, या प्रतिवर्तीता की कमी से ग्रस्त होते हैं। इस पत्र में, हम ऑर्थोगोनली कंस्ट्रेन्ड मॉड्यूलर डेल्टा मर्जिंग (MDM-OC) का प्रस्ताव करते हैं, जो एक नया ढाँचा है जो परिष्कृत मॉडलों के मापनीय, हस्तक्षेप-मुक्त और प्रतिवर्ती निर्माण को सक्षम बनाता है। प्रत्येक कार्य-विशिष्ट मॉडल को एक साझा आधार से डेल्टा के रूप में एन्कोड किया जाता है और टकरावों को दूर करने के लिए एक ऑर्थोगोनल उप-स्थान में प्रक्षेपित किया जाता है। इन प्रक्षेपित डेल्टाओं को फिर ग्रेडिएंट-आधारित अनुकूलन के माध्यम से विलय करके एक एकीकृत मॉडल बनाया जाता है जो सभी कार्यों में प्रदर्शन बनाए रखता है। यह दृष्टिकोण नए मॉडलों के निरंतर एकीकरण, GDPR आवश्यकताओं जैसे नियमों के अनुपालन के लिए संरचनात्मक पृथक्करण, और लचीले भार विलय और सिंथेटिक पुनर्जनन के माध्यम से मॉडल स्थिरता का समर्थन करता है। विज़न और प्राकृतिक भाषा प्रसंस्करण मानकों पर व्यापक प्रयोगों से पता चलता है कि एमडीएम-ओसी सटीकता, स्थानांतरणीयता और पृथक्करण निष्ठा में पिछले बेसलाइन से बेहतर प्रदर्शन करता है, जबकि यह स्मृति-कुशल और गणना-योग्य बना रहता है। यह ढाँचा मॉड्यूलर और अनुपालक एआई सिस्टम डिज़ाइन करने के लिए एक सैद्धांतिक समाधान प्रदान करता है।
