본 논문은 산업 현장에서 점점 더 많이 사용되는 심층 신경망(DNN)의 업데이트 과정에서 회귀(regression)를 최소화하는 방법에 대한 연구이다. DNN 업데이트는 데이터 기반이기 때문에 개발자가 예상하는 수준으로 회귀를 억제하기 어렵다는 점에 주목하여, 산업 현장에서 DNN 업데이트에 필요한 요구사항을 제시하고, 이를 충족하기 위한 사례 연구를 제시한다. 특히, 후지쯔에서 수집된 자동차 이미지를 이용해 훈련된 모델을 특정 클래스에 대한 회귀 없이 업데이트하는 것을 목표로, DNN 복구 기법인 NeuRecover 기반의 목적 함수를 사용자 정의하여 회귀를 억제하는 데 성공하였다. 또한, 사례 연구에서 확인된 몇 가지 과제들을 논의한다.
