본 논문은 지속적 학습(Continual Learning, CL)에서 신경망의 안정성-가소성 딜레마와 관련된 효과적 모델 용량(CLEMC)을 제시합니다. 신경망, 작업 데이터, 그리고 최적화 절차 간의 상호 작용의 진화를 모델링하는 차분 방정식을 개발하여, 효과적인 용량, 즉 안정성-가소성 균형점이 본질적으로 비정상적임을 보여줍니다. 다양한 아키텍처(피드포워드 네트워크, 합성곱 신경망, 그래프 신경망, 그리고 수백만 개의 매개변수를 가진 트랜스포머 기반 대규모 언어 모델 등)에 걸친 광범위한 실험을 통해, 새로운 작업 분포가 이전 작업 분포와 다를 때 신경망의 새로운 작업을 표현하는 능력이 감소함을 증명합니다.