본 논문에서는 적대적 환경 하에서의 지속적 학습 문제를 해결하기 위해, 구간 경계 전파(IBP)와 하이퍼네트워크 기반 아키텍처를 통합한 새로운 프레임워크인 SHIELD를 제안합니다. SHIELD는 압축된 작업 임베딩만을 조건으로 하는 공유 하이퍼네트워크를 통해 작업별 모델 매개변수를 생성하여, 리플레이 버퍼나 전체 모델 복사본이 필요 없고 시간이 지남에 따라 효율적입니다. 또한, MixUp 점을 중심으로 하는 $\ell_{\infty}$ 볼로 표현된 가상 예제를 혼합하는 새로운 훈련 전략인 Interval MixUp을 도입하여 인증된 강건성을 보장하고 래핑 효과를 완화하여 부드러운 의사결정 경계를 만듭니다. PGD와 AutoAttack을 포함한 강력한 화이트박스 적대적 공격 하에서 여러 벤치마크에 대해 SHIELD를 평가한 결과, 기존의 강건한 지속적 학습 방법들을 능가하여 최첨단 평균 정확도를 달성하면서 확장성과 인증을 모두 유지했습니다. 이는 적대적 환경에서 실용적이고 이론적으로 뒷받침되는 지속적 학습을 향한 중요한 진전입니다.
