본 논문은 온라인 지속 학습(CL) 알고리즘의 공정한 비교를 위해 계산량(FLOPs)과 메모리 크기(Byte)를 기준으로 통합된 자원 예산을 제안합니다. 기존 연구들이 단일 에폭 학습과 제한된 리플레이 메모리 크기에 집중하여 알고리즘 간의 공정한 비교를 어렵게 만든다는 점을 지적하며, 계산량과 메모리 사용량을 동시에 고려하는 새로운 평가 기준을 제시합니다. 또한, 제한된 자원 내에서 CL 성능을 향상시키기 위해, 정보량이 적은 배치에 대해서는 레이어 업데이트를 하지 않는 적응적 레이어 동결(adaptive layer freezing) 기법과, 더 적은 반복으로 동일한 지식을 학습할 수 있는 메모리 검색 기법을 제안합니다. CIFAR-10/100, CLEAR-10/100, ImageNet-1K 데이터셋 실험 결과, 제안된 방법이 동일한 자원 예산 내에서 최첨단 방법들을 능가하는 성능을 보임을 확인했습니다.
