본 논문은 지속적 학습 환경에서 자기조직화 지도(SOM)의 급격한 망각 문제를 해결하기 위해 포화 자기조직화 지도(SatSOM)를 제안한다. SatSOM은 뉴런이 정보를 축적함에 따라 학습률과 근접 반경을 점진적으로 줄이는 새로운 포화 메커니즘을 통합하여 잘 학습된 뉴런을 효과적으로 고정하고 학습을 지도의 활용되지 않은 영역으로 전환한다.
시사점, 한계점
•
시사점: SOM의 지속적 학습 성능 향상 가능성 제시, 해석 가능성과 효율성 유지하면서 급격한 망각 문제 완화, 새로운 포화 메커니즘의 효과 입증.
•
한계점: SatSOM의 성능이 다른 지속적 학습 알고리즘에 비해 얼마나 우수한지에 대한 비교 분석 부족, 다양한 데이터셋 및 작업에 대한 일반화 성능 검증 필요, 포화 메커니즘의 최적 파라미터 설정에 대한 추가 연구 필요.
