본 논문은 새로운 지속적 학습 프레임워크를 제안한다. 이 프레임워크는 신경 접선 커널(NTK) 이론, Wilson 신뢰 구간을 통한 통계적 검증, 그리고 여러 지표를 사용한 경로 품질 평가를 통합하여, 지속적 학습의 근본적인 문제인 '파국적 망각'을 해결하는 것을 목표로 한다. 실험 결과는 Split-CIFAR10 데이터셋에서 66.7%의 평균 정확도와 23.4%의 파국적 망각률을 보이며, 기존 방식 대비 큰 향상을 보이고 최첨단 결과에 근접한 경쟁력을 입증했다. 또한, NTK 조건수는 학습 능력 제한의 예측 지표임을 밝혀냈고, 조건수 > 10^11에서 임계값을 확인했다. 제안된 전략은 작업 시퀀스가 진행됨에 따라 망각률을 낮추는 경향(27%에서 18%)을 보이며 시스템 안정화를 보여주었다. 이 프레임워크는 발견된 경로의 80%를 엄격한 통계적 보장으로 검증하고 중간 작업에서 90-97%의 유지율을 유지한다. 지속적 학습 환경의 핵심적인 능력 제한을 분석하고, 적응적 정규화를 향상시키기 위한 실행 가능한 통찰력을 제공한다.
