본 논문은 실제 데이터 스트림에서 발생하는 개념 드리프트 현상과 함께 라벨 공간의 변화까지 동시에 다루는 일반화된 점진 학습(Generalized Incremental Learning under Concept Drift, GILCD) 문제를 정의합니다. 이를 해결하기 위해, 제안된 Calibrated Source-Free Adaptation (CSFA) 프레임워크는 새로운 클래스를 효율적으로 식별하고, 불확실성을 제거하며, 분포 정렬을 강화하여 점진적 학습 성능을 향상시킵니다. 실험 결과, CSFA는 기존 최신 기법 대비 우수한 성능을 입증하였습니다.
